Partition-A-Medical-Image：提取多代表性子区域用于少样本医学图像分割
计算机视觉与模式识别
2023-09-21 v1
摘要
少样本医学图像分割（FSMIS）是一种更有前景的医学图像分割任务解决方案，因为高质量标注天然稀缺。然而，当前主流方法主要关注从具有较大类内外观与背景差异的支持图像中提取整体表示，并难以适应查询图像。在本工作中，我们提出一种从给定支持医学图像中提取多个代表性子区域的方法，从而实现对生成图像区域的细粒度选择。具体而言，支持图像的前景被分解为不同区域，随后通过设计的区域原型学习（RPL）模块用于导出区域级表示。接着我们引入一种基于双向消除机制的新颖原型表示去偏（PRD）模块，其通过自支持的多方向自去偏（MS）块与支持-查询的交互去偏（ID）块抑制区域表示的干扰。最后，设计了一个组装预测（AP）模块来平衡并集成使用堆叠 PRD 模块学习的多个原型表示的预测。在三个公开可获取的医学成像数据集上通过大量实验获得的结果表明，相对于领先的 FSMIS 方法有一致的改进。源代码可在 https://github.com/YazhouZhu19/PAMI 获取。
引用
@article{arxiv.2309.11172,
title = {Partition-A-Medical-Image: Extracting Multiple Representative Sub-regions for Few-shot Medical Image Segmentation},
author = {Yazhou Zhu and Shidong Wang and Tong Xin and Zheng Zhang and Haofeng Zhang},
journal= {arXiv preprint arXiv:2309.11172},
year = {2023}
}