交互式原型学习与自学习网络在少样本医学图像分割中的创新应用

针对少样本医学图像分割中存在的类内不一致性、类间相似性及边界模糊等挑战，研究人员提出交互式原型学习与自学习网络（ISL-Net）。通过深度编码解码模块（DEDM）提取高层语义特征，结合交互式原型学习模块（IPLM）优化特征一致性，并利用查询特征引导的自学习模块（QSLM）增强边界分割。实验表明，ISL-Net在腹部和心脏数据集上达到83.56%的DSC评分，显著提升泛化能力，为临床少标注场景提供新解决方案。

　　

医学图像分割是疾病临床研究和精准诊疗的重要基础，但传统深度学习方法依赖大规模标注数据，而医学图像标注成本高、样本稀疏且存在隐私问题。少样本学习（FSL）虽能缓解标注依赖，却因支持图像与查询图像的分布差异导致类内不一致性（Intra-class inconsistency）和类间相似性（Inter-class similarity），加之边界模糊问题，严重制约分割精度。

为解决上述问题，研究人员提出交互式原型学习与自学习网络（ISL-Net）。该研究通过三个核心模块实现突破：深度编码解码模块（DEDM）提取高层语义特征并构建峰值原型（peak prototype）；交互式原型学习模块（IPLM）通过中层特征均值原型交互和高层特征峰值原型交互，提升类内一致性并降低类间相似性；查询特征引导的自学习模块（QSLM）在特征层面分离前景与背景，结合低层特征补充边界信息。实验在CHAOS（Abd-MRI）、BTCV（Abd-CT）和Cardiac-MRI数据集上进行，ISL-Net平均DSC评分达83.56%、78.39%和78.77%，显著优于现有方法。论文发表于《Artificial Intelligence in Medicine》。

关键技术包括：1）多层级特征交互的IPLM模块；2）基于查询特征的自适应边界优化（QSLM）；3）跨模态数据集验证（CT/MRI）。

研究结果：

1. 深度编码解码模块（DEDM）：通过高层特征提取构建的峰值原型能有效捕捉语义信息，为分割提供强指导。
2. 交互式原型学习模块（IPLM）：中层特征交互（均值原型）减少类内差异，高层交互（峰值原型）抑制类间混淆，使支持-查询特征对齐更精准。
3. 查询特征自学习模块（QSLM）：特征级前景-背景分离结合低层边界信息，显著改善肝脏与右肾脏等复杂边界的分割效果。

结论与意义：ISL-Net通过协同优化原型学习和边界分割，解决了少样本医学图像分割的两大核心挑战。其创新性在于：1）首次将交互式原型学习引入医学领域，通过双向特征交互提升模型鲁棒性；2）自学习机制减少对原型依赖，增强边界敏感性。该研究为标注稀缺场景下的临床应用提供了高效解决方案，并推动FSL在跨模态数据中的泛化能力发展。作者Yuhui Song、Chenchu Xu等强调，未来可进一步探索解剖先验知识与原型学习的融合，以应对更复杂的多器官分割任务。