基于边界扩展原型和动量推理的少样本医学图像分割

《Computer Vision and Image Understanding》：Few-shot Medical Image Segmentation via Boundary-extended Prototypes and Momentum Inference

小样本医学图像分割中提出边界扩展原型与动量推理方法，通过同时提取支持集内外边界特征和利用相邻切片空间一致性动态优化原型，解决传统方法边界模糊和单样本依赖问题。

　　在医学影像分割领域，随着深度学习技术的快速发展，尤其是卷积神经网络和视觉Transformer等模型的广泛应用，医学图像分割已经取得了显著的进展。这些技术在肿瘤分割、器官识别以及诊断辅助等多个应用场景中展现出强大的能力。然而，医学影像数据的获取和标注存在诸多挑战，例如高成本、耗时的标注过程以及患者隐私问题，使得传统的全监督学习方式难以在所有疾病类型中推广。因此，研究人员开始关注少样本学习（Few-Shot Learning, FSL）技术，试图在仅有少量标注样本的情况下，实现对新任务的快速适应和良好泛化。

少样本医学图像分割（Few-Shot Medical Image Segmentation, FSMIS）的目标是利用有限的标注数据，对不同的器官进行精准分割。当前的基于原型的FSMIS方法主要通过随机采样或局部平均的方式从支持样本中提取原型。然而，由于医学影像中边界特征所占比例极小，传统方法在生成边界原型时面临困难，导致分割结果中的边界模糊不清。此外，这些方法在推理过程中依赖单一的支持图像来分割所有查询图像，当支持图像与查询图像之间存在较大差异时，分割性能会显著下降。

为了解决这些问题，本文提出了一种创新的解决方案，即边界扩展原型与动量推理（Boundary-extended Prototypes and Momentum Inference, BePMI）。该方法包含两个核心模块：边界扩展原型（Boundary-extended Prototypes, BePro）模块和动量推理（Momentum Inference, MoIf）模块。BePro模块通过显式地对支持集特征中的内部和外部边界进行聚类，从而缓解边界特征提取的模糊问题。MoIf模块则利用医学影像中相邻切片之间的高解剖一致性，在推理阶段动态优化原型表示，减少对单一样本的依赖。通过在三个公开的医学影像数据集上进行大量实验，我们验证了所提方法在分割边界方面相较于现有先进方法具有显著优势。此外，我们的代码已经开源，供研究者参考和使用。

医学图像分割作为计算机辅助诊断与治疗的重要组成部分，近年来取得了长足的进步。随着深度学习技术的不断发展，许多先进的模型被应用于医学影像分割任务，显著提升了分割的准确性和效率。然而，医学影像数据的获取和标注仍然面临诸多困难。一方面，医学影像数据的采集成本高昂，且需要专业人员进行标注，这一过程既耗时又存在隐私问题。另一方面，医学影像的复杂性和多样性也使得模型的泛化能力受到限制。因此，研究者们开始探索少样本学习技术，以应对医学影像数据稀缺、标注成本高以及任务多样性的现实挑战。

少样本医学图像分割（FSMIS）技术的核心在于如何在仅有少量标注样本的情况下，实现对新任务的快速适应。目前，FSMIS方法主要依赖于原型学习策略，其中的原理是通过构建具有判别能力的类别原型来进行分割推理。这些方法可以分为单原型和多原型两种类型。单原型方法通常通过掩码平均池化的方式提取目标的全局原型，但在处理结构复杂的医学影像对象时表现不佳。相比之下，多原型方法通过从局部区域中采样多个原型，例如使用均匀网格或随机采样策略，来增强模型的表示能力。然而，医学影像中的边界区域不仅占据的像素数量较少，还容易受到低对比度或噪声干扰的影响，导致这些区域在采样过程中被忽视。因此，多原型分割方法在处理边界区域时往往产生碎片化的分割结果，表明需要对边界特征的提取进行显式的建模，以提高边界分割的性能。

除了边界特征提取方面的局限性，现有方法在推理阶段的支持-查询匹配过程中也面临挑战。通常，当前方法依赖于单一的支持图像-掩码对来分割所有查询图像。这种方法在支持图像与查询图像相似度较高时能够产生高置信度的分割结果，但在相似度较低的情况下，分割的可靠性会显著下降。值得注意的是，医学影像数据，如CT或MRI序列，具有较强的空空间相关性，相邻切片之间保持高度的解剖一致性。这一特性启发了我们的关键洞察：利用相邻切片之间的依赖关系可以丰富支持信息，从而有效缓解当前支持-查询匹配方法的局限性。

在本文中，我们提出了一种基于边界扩展原型与动量推理（BePMI）的新型医学图像分割方法。为了应对现有方法对边界特征提取的忽视，我们在训练阶段引入了边界扩展原型（BePro）模块。该模块通过同时提取支持集特征中的内部和外部边界原型，并将它们与原始原型进行融合，生成边界增强的原型，从而显著提升解剖边界分割的准确性。此外，我们在推理阶段设计了一种动量推理（MoIf）方法，该方法利用相邻切片之间的相似性，通过动量迭代来优化分割结果。具体来说，MoIf首先识别与支持图像最相似的查询图像，并使用当前查询图像和初始分割结果生成查询原型。随后，根据支持原型和查询原型之间的相似性得分，动态地将它们进行融合，以获得增强的支持原型。最终，这些增强的支持原型被用于分割相邻的查询图像，同时以动量传播的方式不断更新支持原型，直到整个查询集的图像都被处理完毕。

本文的主要贡献包括以下几个方面：

1. 提出了一种边界扩展原型（BePro）模块，用于解决少样本医学图像分割中边界特征提取的模糊问题。该模块通过显式地对支持集特征中的内部和外部边界进行聚类，并将其与原始原型进行融合，从而生成更具代表性的边界增强原型。这种方法能够有效提高解剖边界分割的准确性，弥补传统方法在边界表示方面的不足。

2. 引入了一种动量推理（MoIf）方法，该方法利用医学影像中相邻切片之间的高解剖一致性，通过动量迭代的方式优化分割结果。MoIf通过识别与支持图像最相似的查询图像，并使用当前查询图像和初始分割结果生成查询原型，然后根据支持原型和查询原型之间的相似性得分进行动态融合，以获得增强的支持原型。最终，这些增强的支持原型被用于分割相邻的查询图像，并在动量传播的过程中不断更新，从而提升整体分割效果。

3. 在四个广泛使用的医学影像数据集上进行了大量实验，验证了所提方法在分割性能方面的优越性。实验结果表明，我们的模型在分割边界方面相较于现有的先进方法具有显著的提升，同时在处理不同类型的医学影像数据时表现出良好的适应性和泛化能力。

在医学影像分割领域，随着深度学习技术的不断发展，各种先进的模型被广泛应用。这些模型在肿瘤分割、器官识别以及诊断辅助等多个应用场景中取得了显著的成果。然而，医学影像数据的获取和标注仍然存在诸多挑战。一方面，医学影像数据的采集成本高昂，且需要专业人员进行标注，这一过程既耗时又存在隐私问题。另一方面，医学影像的复杂性和多样性也使得模型的泛化能力受到限制。因此，研究者们开始探索少样本学习技术，以应对医学影像数据稀缺、标注成本高以及任务多样性的现实挑战。

少样本医学图像分割（FSMIS）技术的核心在于如何在仅有少量标注样本的情况下，实现对新任务的快速适应。当前的FSMIS方法主要依赖于原型学习策略，其中的原理是通过构建具有判别能力的类别原型来进行分割推理。这些方法可以分为单原型和多原型两种类型。单原型方法通常通过掩码平均池化的方式提取目标的全局原型，但在处理结构复杂的医学影像对象时表现不佳。相比之下，多原型方法通过从局部区域中采样多个原型，例如使用均匀网格或随机采样策略，来增强模型的表示能力。然而，医学影像中的边界区域不仅占据的像素数量较少，还容易受到低对比度或噪声干扰的影响，导致这些区域在采样过程中被忽视。因此，多原型分割方法在处理边界区域时往往产生碎片化的分割结果，表明需要对边界特征的提取进行显式的建模，以提高边界分割的性能。

除了边界特征提取方面的局限性，现有方法在推理阶段的支持-查询匹配过程中也面临挑战。通常，当前方法依赖于单一的支持图像-掩码对来分割所有查询图像。这种方法在支持图像与查询图像相似度较高时能够产生高置信度的分割结果，但在相似度较低的情况下，分割的可靠性会显著下降。值得注意的是，医学影像数据，如CT或 MRI 序列，具有较强的空空间相关性，相邻切片之间保持高度的解剖一致性。这一特性启发了我们的关键洞察：利用相邻切片之间的依赖关系可以丰富支持信息，从而有效缓解当前支持-查询匹配方法的局限性。

在本文中，我们提出了一种基于边界扩展原型与动量推理（BePMI）的新型医学图像分割方法。为了应对现有方法对边界特征提取的忽视，我们在训练阶段引入了边界扩展原型（BePro）模块。该模块通过同时提取支持集特征中的内部和外部边界原型，并将它们与原始原型进行融合，生成边界增强的原型，从而显著提升解剖边界分割的准确性。此外，我们在推理阶段设计了一种动量推理（MoIf）方法，该方法利用医学影像中相邻切片之间的高解剖一致性，通过动量迭代的方式优化分割结果。具体来说，MoIf首先识别与支持图像最相似的查询图像，并使用当前查询图像和初始分割结果生成查询原型。随后，根据支持原型和查询原型之间的相似性得分，动态地将它们进行融合，以获得增强的支持原型。最终，这些增强的支持原型被用于分割相邻的查询图像，并在动量传播的过程中不断更新，从而提升整体分割效果。

本文的主要贡献包括以下几个方面：

1. 提出了一种边界扩展原型（BePro）模块，用于解决少样本医学图像分割中边界特征提取的模糊问题。该模块通过显式地对支持集特征中的内部和外部边界进行聚类，并将其与原始原型进行融合，从而生成更具代表性的边界增强原型。这种方法能够有效提高解剖边界分割的准确性，弥补传统方法在边界表示方面的不足。

2. 引入了一种动量推理（MoIf）方法，该方法利用医学影像中相邻切片之间的高解剖一致性，通过动量迭代的方式优化分割结果。MoIf通过识别与支持图像最相似的查询图像，并使用当前查询图像和初始分割结果生成查询原型，然后根据支持原型和查询原型之间的相似性得分进行动态融合，以获得增强的支持原型。最终，这些增强的支持原型被用于分割相邻的查询图像，并在动量传播的过程中不断更新，从而提升整体分割效果。

3. 在四个广泛使用的医学影像数据集上进行了大量实验，验证了所提方法在分割性能方面的优越性。实验结果表明，我们的模型在分割边界方面相较于现有的先进方法具有显著的提升，同时在处理不同类型的医学影像数据时表现出良好的适应性和泛化能力。

在医学影像分割领域，随着深度学习技术的不断发展，各种先进的模型被广泛应用。这些模型在肿瘤分割、器官识别以及诊断辅助等多个应用场景中取得了显著的成果。然而，医学影像数据的获取和标注仍然存在诸多挑战。一方面，医学影像数据的采集成本高昂，且需要专业人员进行标注，这一过程既耗时又存在隐私问题。另一方面，医学影像的复杂性和多样性也使得模型的泛化能力受到限制。因此，研究者们开始探索少样本学习技术，以应对医学影像数据稀缺、标注成本高以及任务多样性的现实挑战。

少样本医学图像分割（FSMIS）技术的核心在于如何在仅有少量标注样本的情况下，实现对新任务的快速适应。当前的FSMIS方法主要依赖于原型学习策略，其中的原理是通过构建具有判别能力的类别原型来进行分割推理。这些方法可以分为单原型和多原型两种类型。单原型方法通常通过掩码平均池化的方式提取目标的全局原型，但在处理结构复杂的医学影像对象时表现不佳。相比之下，多原型方法通过从局部区域中采样多个原型，例如使用均匀网格或随机采样策略，来增强模型的表示能力。然而，医学影像中的边界区域不仅占据的像素数量较少，还容易受到低对比度或噪声干扰的影响，导致这些区域在采样过程中被忽视。因此，多原型分割方法在处理边界区域时往往产生碎片化的分割结果，表明需要对边界特征的提取进行显式的建模，以提高边界分割的性能。

除了边界特征提取方面的局限性，现有方法在推理阶段的支持-查询匹配过程中也面临挑战。通常，当前方法依赖于单一的支持图像-掩码对来分割所有查询图像。这种方法在支持图像与查询图像相似度较高时能够产生高置信度的分割结果，但在相似度较低的情况下，分割的可靠性会显著下降。值得注意的是，医学影像数据，如CT或MRI序列，具有较强的空空间相关性，相邻切片之间保持高度的解剖一致性。这一特性启发了我们的关键洞察：利用相邻切片之间的依赖关系可以丰富支持信息，从而有效缓解当前支持-查询匹配方法的局限性。

在本文中，我们提出了一种基于边界扩展原型与动量推理（BePMI）的新型医学图像分割方法。为了应对现有方法对边界特征提取的忽视，我们在训练阶段引入了边界扩展原型（BePro）模块。该模块通过同时提取支持集特征中的内部和外部边界原型，并将它们与原始原型进行融合，生成边界增强的原型，从而显著提升解剖边界分割的准确性。此外，我们在推理阶段设计了一种动量推理（MoIf）方法，该方法利用医学影像中相邻切片之间的高解剖一致性，通过动量迭代的方式优化分割结果。具体来说，MoIf首先识别与支持图像最相似的查询图像，并使用当前查询图像和初始分割结果生成查询原型。随后，根据支持原型和查询原型之间的相似性得分，动态地将它们进行融合，以获得增强的支持原型。最终，这些增强的支持原型被用于分割相邻的查询图像，并在动量传播的过程中不断更新，从而提升整体分割效果。

本文的主要贡献包括以下几个方面：

1. 提出了一种边界扩展原型（BePro）模块，用于解决少样本医学图像分割中边界特征提取的模糊问题。该模块通过显式地对支持集特征中的内部和外部边界进行聚类，并将其与原始原型进行融合，从而生成更具代表性的边界增强原型。这种方法能够有效提高解剖边界分割的准确性，弥补传统方法在边界表示方面的不足。

2. 引入了一种动量推理（MoIf）方法，该方法利用医学影像中相邻切片之间的高解剖一致性，通过动量迭代的方式优化分割结果。MoIf通过识别与支持图像最相似的查询图像，并使用当前查询图像和初始分割结果生成查询原型，然后根据支持原型和查询原型之间的相似性得分进行动态融合，以获得增强的支持原型。最终，这些增强的支持原型被用于分割相邻的查询图像，并在动量传播的过程中不断更新，从而全面提升分割效果。

3. 在四个广泛使用的医学影像数据集上进行了大量实验，验证了所提方法在分割性能方面的优越性。实验结果表明，我们的模型在分割边界方面相较于现有的先进方法具有显著的提升，同时在处理不同类型的医学影像数据时展现出良好的适应性和泛化能力。此外，我们的方法在支持-查询匹配过程中表现更加稳健，能够有效应对支持图像与查询图像之间的差异，从而提升整体分割效果。

综上所述，本文提出的边界扩展原型与动量推理方法在医学图像分割任务中具有重要的应用价值。通过显式建模边界特征，以及利用相邻切片之间的依赖关系优化分割过程，我们的方法在提高分割准确性的同时，也提升了模型的泛化能力和鲁棒性。这些改进对于医学影像分割的自动化和智能化具有重要意义，特别是在医疗资源有限或数据获取困难的情况下，能够为临床诊断和治疗提供更加可靠的支持。