基于高保真原型的少样本医学图像分割
计算机视觉与模式识别
2024-06-27 v1 人工智能
摘要
少样本语义分割 (FSS) 旨在以极少的标记样本（每类仅一个）适配新类别。尽管基于原型的方法取得了显著成功，但现有模型局限于对象差异大且背景不够复杂的影像场景，例如自然图像。这使得这些模型对医学影像不够优越。为此，我们提出一种 novel Detail Self-refined Prototype Network (DSPNet) 以构建更全面地代表物体前景和背景的高保真原型。具体而言，为构建全局语义同时保持捕获的细节语义，我们通过聚类建模多模态结构，然后以通道方式融合每个原型。鉴于背景在空间维度上常无明显语义关联，我们在稀疏通道感知调节下整合通道特定结构信息。在三个具有挑战性的医学图像基准测试上进行的广泛实验表明，DSPNet 在之前的 state-of-the-art 方法上具有优势。
引用
@article{arxiv.2406.18074,
title = {Few-Shot Medical Image Segmentation with High-Fidelity Prototypes},
author = {Song Tang and Shaxu Yan and Xiaozhi Qi and Jianxin Gao and Mao Ye and Jianwei Zhang and Xiatian Zhu},
journal= {arXiv preprint arXiv:2406.18074},
year = {2024}
}