基于原型优化的少样本医学图像分割网络PONet：解决类间与类内不一致性的创新方法

针对医学图像分割中因训练数据稀缺导致的类间相似性高（inter-class inconsistency）和类内变异性大（intra-class inconsistency）问题，东北大学团队提出原型优化网络PONet。通过边界原型对比学习（BPCL）模块优化支持原型质量，结合查询引导原型优化（QGPO）模块增强支持-查询对齐，在Abd-MRI等三个数据集上实现SOTA性能，为少样本医学分割提供新思路。

　　

医学图像分割是疾病诊断和治疗规划的重要工具，但深度学习方法通常依赖大量标注数据，而医学图像标注成本高且隐私敏感。更棘手的是，罕见病变样本的稀缺导致模型难以泛化到未见过的解剖结构。少样本分割(FSS)技术虽能缓解数据稀缺问题，但在医学图像中面临两大挑战：不同病理状态间的高相似性（inter-class inconsistency）会导致支持原型质量低下，而同一器官在不同样本中的形态差异（intra-class inconsistency）又会影响支持-查询对齐效果。

针对这些问题，东北大学机器人科学与工程学院的研究人员提出了原型优化网络PONet，相关成果发表在《Neurocomputing》。该研究创新性地结合简单线性迭代聚类(SLIC)和Mamba模型，通过边界原型对比学习(BPCL)模块优化背景原型特征表达，利用查询引导原型优化(QGPO)模块实现支持原型的动态定制，在腹部MRI(Abd-MRI)、腹部CT(Abd-CT)和心脏MRI(Car-MRI)数据集上取得突破性进展。

关键技术方法包括：1) 使用SLIC算法生成支持图像的前景/背景子区域原型；2) 设计BPCL模块通过对比学习区分相邻边界背景与非相邻边界背景原型；3) 开发QGPO模块引入Mamba模型捕获长程依赖关系，实现查询自适应的支持原型优化。实验采用5-way 1-shot和5-way 5-shot设置，对比CANet等基线模型。

主要研究结果：

1. 原型生成优化：SLIC算法将支持图像分割为多个子区域，结合掩码生成三类原型——前景原型、相邻边界背景原型和非相邻边界背景原型，为后续对比学习提供结构化特征基础。
2. 边界对比学习：BPCL模块通过最大化前景与相邻边界背景原型的特征距离，有效解决不同病理状态间的混淆问题，在Abd-CT数据集上使Dice系数提升3.2%。
3. 查询自适应优化：QGPO模块利用Mamba模型的线性复杂度优势，建立支持-查询特征的长程关联，使Car-MRI数据集在5-shot设置下的IoU达到72.6%，显著优于传统原型方法。
4. 跨模态验证：在MRI和CT混合模态测试中，PONet展现出强鲁棒性，证明优化后的原型能有效克服成像设备差异带来的类内变异问题。

这项研究的创新价值在于：首次将Mamba模型引入FSS任务，通过状态空间模型增强支持-查询交互效率；提出的三级原型划分策略（前景/相邻背景/非相邻背景）为医学图像特有的边界模糊问题提供解决方案。临床意义在于：1) 减少对大规模标注数据的依赖，尤其适用于罕见病研究；2) 通过查询自适应机制提升模型在不同医疗机构数据上的泛化能力。未来工作可探索多模态提示（如文本描述）与原型优化的结合，进一步推动少样本医学智能的发展。