面向少样本医学图像分割的无监督增强优化
计算机视觉与模式识别
2023-06-09 v1
摘要
增强参数对少样本语义分割至关重要，因为它们通过向网络输入不同的扰动样本直接影响训练结果。然而，在无标注情况下为少样本分割模型搜索最优增强参数，是当前方法未能解决的挑战。在本文中，我们首次提出一种无需人工标注、通过求解类内实例与类内相似性分布之间的分布匹配问题来确定“最优”参数的框架，其中类内实例相似性描述特定解剖结构的原始样本与其增强样本之间的相似度，类内相似性表示所选样本与同类中其他样本的相似度。大量实验证明了我们的优化增强在提升少样本分割模型上的优越性。我们在 Abd-MRI 和 Abd-CT 数据集上分别将最强竞争方法大幅提升了 1.27% 和 1.11%，甚至在 Abd-CT 数据集上使 SSL-ALP 在左肾上的提升达到 3.39%。
引用
@article{arxiv.2306.05107,
title = {Unsupervised augmentation optimization for few-shot medical image segmentation},
author = {Quan Quan and Shang Zhao and Qingsong Yao and Heqin Zhu and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2306.05107},
year = {2023}
}