Q2A：查询隐式全连续特征金字塔以对齐医学图像分割特征

最近的医学图像分割方法将隐式神经表示（INR）应用于解码器，以实现连续坐标解码，从而解决传统基于离散网格数据表示的缺陷。然而，基于 INR 的解码器无法很好地处理由 INR 中简单的潜在代码获取策略引起的特征不对齐问题。尽管已有许多特征对齐工作，但它们都在离散特征金字塔上采用渐进式多步对齐范式，这与基于 INR 的解码器的连续单步特性不兼容，因此无法作为解决方案。因此，我们提出了 Q2A，一种新颖的基于单步查询的对齐范式，以解决基于 INR 的解码器中的特征不对齐问题。具体而言，对于每个目标坐标，Q2A 首先生成若干查询，描绘与该坐标对齐的上下文特征的空间偏移和单元格分辨率，然后将查询输入到新颖的隐式全连续特征金字塔（FCFP）中以计算相应的对齐特征，最后融合对齐的特征以预测类别分布。在 FCFP 中，我们进一步提出了一种新颖的通用分区与聚合策略（P&A），以替代 INR 中用于潜在代码获取的简单插值策略，这减轻了当查询单元格分辨率相对较大时发生的信息丢失问题，并在任意连续分辨率下实现了有效的特征解码。我们在两个医学数据集（即 Glas 和 Synapse）以及一个通用数据集（即 Cityscapes）上进行了大量实验，结果表明所提出的 Q2A 具有优越性。