基于‘压缩激励’引导的体数据图像少样本分割

深度神经网络能够实现高精度的图像分割，但需要大量人工标注数据以进行监督训练。少样本学习旨在从少量标注的支持样本中学习新类别，从而解决这一不足。我们提出了一种新颖的少样本框架，用于仅使用少量标注切片对体医学图像进行分割。与计算机视觉中其他相关工作相比，主要挑战在于缺乏预训练网络以及医学扫描的体数据特性。我们通过提出一种融合‘压缩激励’块的少样本分割新架构来应对这些挑战。我们的双臂架构由一个条件器臂和一个分割器臂组成：条件器臂处理标注的支持输入并生成任务特定的表示；该表示被传递给分割器臂，后者利用此信息分割新的查询图像。为促进条件器臂与分割器臂之间的高效交互，我们提出使用‘通道压缩与空间激励’块——一种轻量级计算模块——以极小的模型复杂度增加实现两臂之间的深度交互。这一贡献使我们能够在无需依赖预训练模型的情况下进行图像分割，而此类模型在医学扫描中通常不可用。此外，我们提出了一种高效的体数据分割策略，通过将支持体中的少量切片与查询体的所有切片进行最优配对来实现。我们在 Visceral 数据集的全身增强 CT 扫描上进行了器官分割实验。所提模型在分割精度上显著优于多个基线和现有方法。源代码见 https://github.com/abhi4ssj/few-shot-segmentation。