基于交叉注意力 Transformer 的小样本医学图像分割
计算机视觉与模式识别
2023-09-22 v3
摘要
医学图像分割近年来取得显著进展。基于深度学习的方法被视为数据饥渴型技术，需要大量带人工标注的数据。然而，人工标注在医学图像分析领域成本高昂，需要特定领域的专业知识。为应对这一挑战，小样本学习有潜力仅从少量样本中学习新类别。本工作中，我们提出一种基于交叉掩码注意力 Transformer 的小样本医学图像分割新框架，称为 CAT-Net。我们所提网络挖掘支持图像与查询图像之间的相关性，将其限制为仅关注有用的前景信息，并提升支持原型与查询特征的表征能力。我们进一步设计了一种迭代精炼框架，迭代地精炼查询图像分割并反过来促进支持特征。我们在三个公开数据集上验证了所提方法：Abd-CT、Abd-MRI 和 Card-MRI。实验结果表明，与 SOTA 方法相比我们的方法性能更优，且各组件均有效。代码：https://github.com/hust-linyi/CAT-Net。
引用
@article{arxiv.2303.13867,
title = {Few Shot Medical Image Segmentation with Cross Attention Transformer},
author = {Yi Lin and Yufan Chen and Kwang-Ting Cheng and Hao Chen},
journal= {arXiv preprint arXiv:2303.13867},
year = {2023}
}
备注
Accepted by MICCAI 2023