Q-Net:查询信息引导的小样本医学图像分割
计算机视觉与模式识别
2023-03-08 v3
摘要
深度学习在计算机视觉中已取得巨大成功,而医学图像分割 (MIS) 由于数据标注稀缺仍具挑战。用于小样本分割的元学习技术 (Meta-FSS) 已被广泛用于应对该挑战,但它们忽视了查询图像与支持集之间可能的分布偏移。相反,有经验的临床医生可通过借用查询图像中的信息来感知并处理此类偏移,进而相应地微调或校准其先验认知模型。受此启发,我们提出 Q-Net,一种查询信息引导的 Meta-FSS 方法,其在精神上模仿专家临床医生的学习机制。我们基于近期提出的异常检测启发式方法 ADNet 构建 Q-Net。具体而言,我们向 ADNet 中增添两个查询信息计算模块,即查询信息阈值自适应模块与查询信息原型精炼模块。将它们与特征提取模块的双路径扩展相结合,Q-Net 在广泛使用的腹部与心脏磁共振 (MR) 图像数据集上取得了最先进的性能。我们的工作揭示了利用查询信息改进 Meta-FSS 技术的新途径。
引用
@article{arxiv.2208.11451,
title = {Q-Net: Query-Informed Few-Shot Medical Image Segmentation},
author = {Qianqian Shen and Yanan Li and Jiyong Jin and Bin Liu},
journal= {arXiv preprint arXiv:2208.11451},
year = {2023}
}
备注
Accpeted by Intelligent Systems Conference (IntelliSys) 2023