面向跨域少样本医学图像分割的几何感知原型学习
计算机视觉与模式识别
2026-05-12 v1
摘要
跨域少样本医学图像分割 (CD-FSMIS) 需要模型从仅有的少数量的标记示例中同时泛化到新的解剖类别和未见的成像域。现有的原型方法不可避免地将解剖结构与域特定的外观变化 entangled，从而缺乏可靠匹配的稳定参考以适应域偏移。在我们看来，人类解剖的几何结构构成一种可靠的、可迁移的域先验，此先验一直被忽视。在此基础上，我们提出了 GeoProto，一个几何感知的 CD-FSMIS 框架，通过显式的结构先验丰富原型匹配。核心组件几何感知原型丰富 (GAPE) 将每个局部外观原型增强为一个学习的几何偏移,该偏移编码其在器官内部拓扑中的序数位置。该偏移来源于一个辅助的有序形状分支 (OSB),在仅使用标准分割掩码的前提下,该分支在有序一致的目标下进行训练,以在内部层次之间强制几何嵌入呈单调变化。跨越三个评估设置（跨模态、跨序列和跨上下文）的七个数据集上的大量实验表明,GeoProto 实现了最先进的性能。
引用
@article{arxiv.2605.10885,
title = {Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation},
author = {Feifan Song and Yuntian Bo and Haofeng Zhang},
journal= {arXiv preprint arXiv:2605.10885},
year = {2026}
}