UOD：用于解剖标志点的通用一次性检测

一次性医学标志点检测因其标签高效的训练过程而备受关注并取得巨大成功。然而，现有的一次性学习方法高度专用于单一领域，在多领域无标签数据情况下严重受困于领域偏好。此外，一次性学习不够鲁棒，在标注次优图像时会出现性能下降。为解决这些问题，我们致力于开发一个用于处理多领域医学图像的领域自适应一次性标志点检测框架，称为通用一次性检测（Universal One-shot Detection，UOD）。UOD由两个阶段和相应的两个通用模型组成，这些模型被设计为领域特定模块与领域共享模块的组合。在第一阶段，一个领域自适应卷积模型通过自监督学习生成伪标志点标签。在第二阶段，我们设计了一个领域自适应Transformer以消除领域偏好并为多领域数据构建全局上下文。尽管每个领域仅有一张标注样本可用于训练，领域共享模块仍帮助UOD聚合所有一次性样本以检测更鲁棒且准确的特征点。我们在三个广泛使用的不同解剖领域（即头部、手部、胸部）的公开X射线数据集上对所提出的UOD进行了定性与定量研究，并在每个领域均取得了最先进的性能。代码可在 https://github.com/heqin-zhu/UOD_universal_oneshot_detection 获取。