通过区域增强原型 Transformer 实现少样本医学图像分割
计算机视觉与模式识别
2023-09-12 v1
摘要
大批量医学图像的自动分割常受限于全标注数据的稀缺，以及因不同患者使用不同采集协议所导致的器官表面属性多样性。本文引入一种更具前景的基于少样本学习的方法，称为区域增强原型 Transformer（RPT），以缓解大类内多样性/偏差的影响。首先，提出一种细分策略，从支持原型的的前景中生成一组区域原型。其次，提出一种自选机制，将其纳入偏差缓解 Transformer（BaT）块中，以抑制或去除查询原型与区域支持原型中存在的干扰。通过堆叠 BaT 块，所提 RPT 可迭代优化生成的区域原型，并最终产生校正后更精确的全局原型，用于少样本医学图像分割（FSMS）。在三个公开医学图像数据集上进行了充分实验，所得结果相比最先进的 FSMS 方法表现出一致提升。源代码可在 https://github.com/YazhouZhu19/RPT 获取。
引用
@article{arxiv.2309.04825,
title = {Few-Shot Medical Image Segmentation via a Region-enhanced Prototypical Transformer},
author = {Yazhou Zhu and Shidong Wang and Tong Xin and Haofeng Zhang},
journal= {arXiv preprint arXiv:2309.04825},
year = {2023}
}
备注
Accepted by MICCAI