LMS-Net：一种用于少样本医学图像分割的学习型 Mumford-Shah 网络
计算机视觉与模式识别
2025-02-11 v1
摘要
少样本语义分割（FSS）方法在处理数据稀缺场景，特别是医学图像分割任务方面显示出巨大的潜力。然而，大多数现有 FSS 架构缺乏足够的可解释性，且未能充分融合语义区域的底层物理结构。为此，本文提出一种新型深度展开网络，称为学习型 Mumford-Shah 网络（LMS-Net），用于 FSS 任务。具体而言，灵感来源于原型 FSS 方法中像素到原型比较的有效性以及深层先验建模复杂空间结构的能力，我们将我们学习的 Mumford-Shah 模型（LMS 模型）作为数学基础，将这些见解整合到一个统一的框架中。通过将 LMS 模型重新表述为原型更新和掩码更新任务，我们提出了一种高效求解该问题的交替优化算法。进一步地，将该算法的迭代步骤展开为相应的网络模块， resulting in LMS-Net 具有清晰的可解释性。在三个公开可用的医学分割数据集上的全面实验验证了我们方法的有效性，表明其在处理复杂结构和适应挑战性分割情景方面具有卓越的准确性和鲁棒性。这些结果凸显了 LMS-Net 在医学影像应用中推动 FSS 领域发展的潜力。我们的代码将在 https://github.com/SDZhang01/LMSNet 上提供。
引用
@article{arxiv.2502.05473,
title = {LMS-Net: A Learned Mumford-Shah Network For Few-Shot Medical Image Segmentation},
author = {Shengdong Zhang and Fan Jia and Xiang Li and Hao Zhang and Jun Shi and Liyan Ma and Shihui Ying},
journal= {arXiv preprint arXiv:2502.05473},
year = {2025}
}