通过元学习增强模态无关表征以用于脑肿瘤分割

在医学视觉中，不同成像模态提供互补信息。然而在实践中，推理甚至训练期间并非所有模态都可用。先前的方法，例如知识蒸馏或图像合成，常假设训练时所有患者均有完整模态；由于各站点数据收集的可变性，这既不现实也不实用。我们提出一种新方法，通过在训练中采用元学习策略来学习增强的模态无关表征，即便仅有有限的完整模态样本可用。元学习通过在部分模态数据上元训练并在有限完整模态样本上元测试，将部分模态表征增强为完整模态表征。此外，我们通过引入辅助对抗学习分支来协同监督该特征 enrichment。更具体地，一个缺失模态检测器被用作判别器以模拟完整模态设置。我们的分割框架在缺失模态场景下显著优于最先进的脑肿瘤分割技术。