用于少样本医学图像分割的级联交替细化变换器

《ACM Transactions on Intelligent Systems and Technology》：Cascaded Alternating Refinement Transformer for Few-shot Medical Image Segmentation

传统医学图像分割依赖大量标注导致成本高，少样本分割（FSMIS）面临类内差异导致的原型偏差问题。本文提出CART方法，通过迭代校准原型和ART模块中的双MCA机制捕获前景共性，并采用向上取整策略累积多层级预测掩码，实验验证其在三个公开数据集上优于现有方法。

　　

摘要

传统的生物医学图像分割严重依赖于大量的注释数据，而这些数据的收集需要投入大量的人力和财力。因此，使用有限的医学图像数据训练出性能优异的模型成为一个具有挑战性的问题。幸运的是，少样本医学图像分割（FSMIS）技术的出现为这一问题提供了解决方案。尽管现有的FSMIS任务中通常使用原型网络，但基于支持特征构建的原型网络往往由于类别内部的差异而产生严重的偏差问题。为了解决这个问题，我们提出了一种名为“级联改进变换器”（CART）的方法，该方法通过结合支持特征和查询特征来迭代地校准原型网络。该方法利用“改进变换器”（ART）模块捕捉支持特征和查询特征之间的共性，该模块包含两个多头交叉注意力（MCA）模块。此外，我们通过级联ART模块来细化类别原型，从而得到更具代表性的原型。这一过程最终有助于生成更准确的预测掩膜。为了在每个级联ART模块中保留更多有效信息并提升性能，我们提出了一种新的推理方法，该方法通过应用“向上取整”策略来累积所有ART模块中的预测分割掩膜。在三个公开的医学图像数据集上的广泛实验表明，我们的模型优于现有的最先进方法，详细分析也验证了这一设计的合理性。代码可在此链接获取：https://github.com/zmcheng9/CART。