原型关联匹配与类别关系推理用于少样本医学图像分割
计算机视觉与模式识别
2024-06-10 v1
摘要
少样本医学图像分割在生物医学影像领域取得了在提高准确率和效率方面的显著进展。然而，大多数现有方法无法探索基本医学类与新医学类的类别间关系，以推理未见的新类别。此外，同一医学类的大内异性变异由多样的外观、形状和尺度引起，导致视觉表征模糊，降低了这些现有方法在未见新类别上的泛化性能。为此，本文提出了一种称为原型关联匹配与类别关系推理（\underline{\textbf{P}}rototype correlation \underline{\textbf{M}}atching and \underline{\textbf{C}}lass-relation \underline{\textbf{R}}easoning，简称\textbf{PMCR})的模型。该提出的模型能够有效缓解大内异性变异导致的错误像素关联匹配，同时推理不同医学类别间的类别关系。具体而言，为解决由大内异性变异引起的错误像素关联匹配，本文提出了原型关联匹配模块，以挖掘能够良好刻画不同外观多样性的代表性原型。我们旨在通过最优传输算法，在支持特征和查询特征之间进行原型级别的关联匹配，以处理由内异性变异引起的错误匹配。同时，为探索类别间关系，本文设计了类别关系推理模块，通过推理基本类别与新类别间的类别关系，对未见的新医学对象进行分割。这种类别关系可以良好地传递到局部查询特征的语义编码中，以提高少样本分割性能。定量比较表明，我们的模型在其他基线方法上实现了显著的性能提升。
引用
@article{arxiv.2406.05054,
title = {Prototype Correlation Matching and Class-Relation Reasoning for Few-Shot Medical Image Segmentation},
author = {Yumin Zhang and Hongliu Li and Yajun Gao and Haoran Duan and Yawen Huang and Yefeng Zheng},
journal= {arXiv preprint arXiv:2406.05054},
year = {2024}
}