基于大核注意力的少样本医学图像分割
计算机视觉与模式识别
2024-07-30 v1
摘要
医学图像分割近年来随着深度学习的出现取得了显著进展。然而，大多数神经网络模型对大量标注数据的依赖仍是医学图像分割面临的挑战。为此，人们采用基于元学习的少样本分割方法。目前的方法主要聚焦于对齐支持集和查询集以提升性能，但这种方法阻碍了模型效能的进一步提升。本文旨在提出一种少样本医学分割模型，赋予其全面特征表示能力，通过捕获局部和长程特征来提升分割精度。为实现此目标，我们引入一个即插即用的注意力模块，动态增强查询和支持特征，从而提高提取特征的代表性。我们的模型包含四个关键模块：双路径特征提取器、注意力模块、自适应原型预测模块和多尺度预测融合模块。具体而言，双路径特征提取器通过获取32×32尺寸和64×64尺寸的特征来获得多尺度特征。注意力模块紧随特征提取器之后，捕获局部和长程信息。自适应原型预测模块自动调整异常得分阈值以预测原型，而多尺度融合预测模块整合 various scales 的预测掩码，以产生最终的分割结果。我们在公开的MRI数据集上进行了实验，包括CHAOS和CMR，并将我们的方法与其他先进技术进行了比较。结果表明，我们的方法实现了最先进的性能。
引用
@article{arxiv.2407.19148,
title = {Few-Shot Medical Image Segmentation with Large Kernel Attention},
author = {Xiaoxiao Wu and Xiaowei Chen and Zhenguo Gao and Shulei Qu and Yuanyuan Qiu},
journal= {arXiv preprint arXiv:2407.19148},
year = {2024}
}