基于多代理融合的小样本三维体积分割

传统的三维医学图像分割方法通常需要学习重型三维网络（例如3D-UNet），以及大量带有精确像素/体素级标签的域内数据以避免过拟合。因此，这些解决方案极其耗时且昂贵，而且可能难以泛化到训练中未见过的目标。为缓解此问题，我们提出了MSFSeg，一种新颖的轻量级多代理融合（MSF）小样本三维分割框架。MSFSeg能够通过学习跨患者群体的密集查询-支持器官/病变解剖相关性，在仅提供一个或少数几个带注释的二维切片或三维序列片段的情况下，自动分割训练中未见过的三维目标/器官。我们提出的MSF模块通过多个指定的代理，挖掘未标记切片/序列与少量标记切片/序列之间全面且多样化的形态学相关性，从而能够根据带注释的切片或序列生成精确的跨域三维分割掩码。通过在传统小样本分割基准上展示出优于现有技术的性能，以及在仅使用有限二维或三维标签的情况下，针对具有挑战性的实体（即管状结构）在专有三维分割数据集上表现出卓越的跨域跨体积分割性能，我们证明了所提出框架的有效性。