面向少样本医学图像分割的绑定原型模型
计算机视觉与模式识别
2025-06-30 v1 机器学习
机器学习
摘要
常见的原型基于医学图像少样本分割（FSS）方法使用类别特定的原型来建模前景和背景类。然而，鉴于背景的高变性，更具前景的建模、将背景视为异常的做法（如ADNet所述）更具潜力。然而，ADNet面临三个关键局限：依赖单个原型、专注于二分类、以及固定阈值无法适应患者和器官的变异性。为解决这些问题，我们提出了绑定原型模型（TPM），即对ADNet进行原则性改造，使前景和背景分布的原型位置相互绑定。基于其概率基础，TPM自然扩展到多个原型和多类分割，同时有效分离非典型背景特征。值得注意的是，这两个扩展都导致了分割精度的提升。最后，我们利用自然存在的类先验条件定义理想目标，以实现自适应阈值，从而提升分割性能。综上所述，TPM为医学图像分割的原型方法提供了全新的视角。代码可在https://github.com/hjk92g/TPM-FSS获取。
引用
@article{arxiv.2506.22101,
title = {Tied Prototype Model for Few-Shot Medical Image Segmentation},
author = {Hyeongji Kim and Stine Hansen and Michael Kampffmeyer},
journal= {arXiv preprint arXiv:2506.22101},
year = {2025}
}
备注
Submitted version (MICCAI). Accepted at MICCAI 2025. The code repo will be made publicly available soon