医学图像的相关性加权原型基一射监督分割

医学图像分割是标注数据不足的领域之一，这迫使应用低数据框架，如少样学习。当代的原型基框架通常不考虑支持图像和查询图像中特征的变异，导致原型对齐方差较大。本文采用基于原型的自监督单向单射学习框架，使用由超像素生成的伪标签来学习语义分割任务本身。我们使用相关性加权概率得分为每个查询像素从支持特征图中原型包中动态生成原型。这一加权方案有助于为上下文相关的原型提供更高的权重。我们还提出了下游分割任务中的四象限遮罩策略，利用先验领域信息丢弃不需要的误报。我们在腹部 CT 和 MR 数据集上进行了大量实验和评估，表明该简洁而强大的框架与当前最佳方法相当。