前景原型是否足够？基于背景融合原型的少样本医学图像分割
计算机视觉与模式识别
2024-12-05 v1
摘要
少样本语义分割(FSS)旨在使用每类仅一个标记训练样本来适应新类。现有方法在自然图像场景中使用的原型方法侧重于捕获前景的判别性，同时采用简单的表示来表示背景，基于前景和背景之间固有的观察分离。然而，这种范式不适用于医学图像，因为前景和背景共享许多视觉特征， necessitating 更详细的背景描述。在本文中，我们提出了一种新的可插入式背景融合原型(Bro)方法，用于医学图像的FSS。具体而言，特征相似度校准(FeaC)通过利用查询图像的特征交叉注意力来初始减少支持图像中的噪声。随后，层次通道对抗注意力(HiCA)通过一种基于通道组的注意力机制实现背景与前景的融合，其中一种对抗均值偏移结构鼓励从粗到细的融合。大量实验表明，与Bro配合使用的前沿最先进方法能够获得显著的性能提升。这表明了一种更集成的方式来表示医学图像中的背景。
引用
@article{arxiv.2412.02983,
title = {Is Foreground Prototype Sufficient? Few-Shot Medical Image Segmentation with Background-Fused Prototype},
author = {Song Tang and Chunxiao Zu and Wenxin Su and Yuan Dong and Mao Ye and Yan Gan and Xiatian Zhu},
journal= {arXiv preprint arXiv:2412.02983},
year = {2024}
}