基于支持-查询原型融合网络的少样本医学图像分割
计算机视觉与模式识别
2024-05-14 v1
摘要
近年来，基于深度学习的卷积神经网络 (CNN) 在许多应用中取得了显著的成功。然而，这些方法对大量标注数据的依赖以及其对未见类别的有限泛化能力，构成了医学图像处理任务的挑战。少样本学习通过利用少量标注数据来泛化到未见类别，已成为一个受到广泛关注的关键研究领域。目前，大多数研究采用原型中心方法，利用原型网络从支持集构建原型，以引导查询集处理以获得最终结果。虽然这种方法有效，但它严重依赖支持集，忽略了查询集，导致模型类别之间存在显著差异。为缓解这一缺陷，我们提出了一种 novel 支持-查询原型融合网络 (SQPFNet)。SQPFNet 初始生成支持图像前景区域的多个支持原型，从而产生粗糙的分割掩码。随后，基于粗糙分割掩码构建查询原型，同时利用查询集中的模式信息。因此，SQPFNet 在此基础上构建高质量的支持-查询融合原型，对查询图像进行分割以获得最终细化的查询掩码。在两个公开数据集 SABS 和 CMR 上的评估结果表明，SQPFNet 实现了最先进的性能。
引用
@article{arxiv.2405.07516,
title = {Support-Query Prototype Fusion Network for Few-shot Medical Image Segmentation},
author = {Xiaoxiao Wu and Zhenguo Gao and Xiaowei Chen and Yakai Wang and Shulei Qu and Na Li},
journal= {arXiv preprint arXiv:2405.07516},
year = {2024}
}
备注
19 pages, 7 figures, 4 tables