相似性记忆先验是医学图像分割的全部
计算机视觉与模式识别
2025-07-16 v3
摘要
近年来,人们发现猴科动物视觉皮层(V1)中的“祖母细胞”能够直接识别具有复杂形状的视觉输入。这启发我们检验这些细胞在促进医学图像分割研究中的价值。本文设计了一个相似性记忆先验网络(Sim-MPNet)用于医学图像分割。具体而言，我们提出了动态记忆权重-损失注意(DMW-LA)，通过相似性记忆先验在特定病灶或器官的医学图像类别特征的记忆存储中进行匹配和记忆，从而帮助网络学习类别之间细微纹理变化。DMW-LA还通过权重-损失动态(W-LD)更新策略反向动态更新相似性记忆先验，有效辅助网络直接提取类别特征。此外，我们提出了双相似性全局内部增强模块(DS-GIM)，通过余弦相似度和欧几里得距离深入探索输入数据特征分布内部差异。大量实验表明,Sim-MPNet在四个公开数据集上具有优于其他最先进方法的更佳分割性能。我们的代码可在https://github.com/vpsg-research/Sim-MPNet上获取。
引用
@article{arxiv.2507.00585,
title = {Similarity Memory Prior is All You Need for Medical Image Segmentation},
author = {Hao Tang and Zhiqing Guo and Liejun Wang and Chao Liu},
journal= {arXiv preprint arXiv:2507.00585},
year = {2025}
}