FAMNet：用于跨域少样医学图像分割的频率感知匹配网络
计算机视觉与模式识别
2024-12-30 v4
摘要
现有的少样医学图像分割（FSMIS）模型未能解决医学成像中实际存在的领域迁移问题，这限制了其在当前 FSMIS 任务中的适用性。为克服这一限制，我们聚焦于跨域少样医学图像分割（CD-FSMIS）任务，旨在开发一种能够适应更广泛医学图像分割场景的通用模型，且仅需来自新目标域的有限标注数据。鼓励不同领域在频率域的相似性，我们提出了频率感知匹配网络（FAMNet），其中包括两个关键组件：频率感知匹配（FAM）模块和多光谱融合（MSF）模块。FAM 模块在元学习阶段解决两个问题：1）由于器官和病灶外观不同导致的类内方差；2）由于不同医学成像技术导致的类间方差。此外，我们设计了 MSF 模块来整合由 FAM 模块解耦的不同频率特征，并进一步减轻领域方差对模型分割性能的影响。通过将这两个模块结合起来，FAMNet 在三个跨域数据集上超越了现有的 FSMIS 模型和跨域少样语义分割模型，实现了 CD-FSMIS 任务的领先性能。
引用
@article{arxiv.2412.09319,
title = {FAMNet: Frequency-aware Matching Network for Cross-domain Few-shot Medical Image Segmentation},
author = {Yuntian Bo and Yazhou Zhu and Lunbo Li and Haofeng Zhang},
journal= {arXiv preprint arXiv:2412.09319},
year = {2024}
}
备注
Accepted by the 39th Annual AAAI Conference on Artificial Intelligence (AAAI-25)