RobustEMD：基于地球 mover 距离的数据鲁棒匹配用于跨域少样本医学图像分割

少样本医学图像分割（FSMIS）旨在在医学图像分析范围内进行有限标注数据的学习。尽管已取得一定进展，但当前的FSMIS模型均在同一数据域上训练和部署，这与临床现实相矛盾——医学影像数据始终跨越不同数据域（如影像模态、机构和设备序列）。如何增强FSMIS模型在不同特定医学影像域之间的泛化能力？本文聚焦于少样本语义分割模型的匹配机制，引入基于地球 mover 距离（EMD）计算的数据鲁棒匹配机制用于跨域场景。具体而言，我们构建了在前景支持-查询特征之间的EMD运输过程中的纹理结构感知权重生成方法，该方法提出对节点进行基于 Sobel 的图像梯度计算，以约束与域相关的节点。此外，引入点集层距离度量衡用于计算从支持集节点到查询集节点的运输成本。为评估模型性能，我们在三个场景（即跨模态、跨序列和跨机构）上进行实验，包括八个医学数据集，涉及三个身体区域，结果表明本模型在对比模型中取得了SoTA性能。