基于原型的少样本学习脑肿瘤单样本分割方法

利用少样本学习增强脑肿瘤分割的潜力巨大。尽管几种深度学习网络(DNN)在分割方面显示出有希望的结果，但它们需要大量训练数据才能产生合适的结果。此外，这些模型面临的一个主要问题是它们在面对未见类别时的表现能力。为了解决这些挑战，我们提出了一种基于单一原型相似性得分的单样本学习模型，用于分割脑部磁共振图像(MRI)中的脑肿瘤。利用最近发展的少样本学习技术，该技术涉及使用支持集和查询集的图像进行训练和测试，我们通过关注包含前景类的切片来努力获得确定的肿瘤区域。这种方法不同于其他使用整个图像集的DNN。该模型的训练过程是迭代进行的，每次迭代从随机采样的数据中选择包含前景类的随机切片作为查询集，并从同一样本中选择另一个不同的随机切片作为支持集。为了将查询图像与类原型区分开来，我们采用了一种基于非参数阈值的度量学习方法。我们使用多模态脑肿瘤图像分割(BraTS)2021数据集，该数据集包含60张训练图像和350张测试图像。使用平均Dice系数和平均交并比(IoU)分数评估模型的有效性。