双间隔和灵活部署为少数镜头医疗图像分割的双间隔和灵活部署

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 获得大型注释医疗数据集受到实际约束的阻碍.
• 由于数据稀缺,少数镜头医疗图像细分至关重要.
• 现有的方法在医疗数据中与类内变化和类间不平衡作斗争.

研究的目的:

• 提出一种新的模型,双间隔和灵活部署 (DIFD),用于少数镜头的医疗图像细分.
• 解决医疗图像细分中的类内变化和类间不平衡的挑战.
• 在数据有限的场景中提高医疗图像细分的准确性.

主要方法:

• 开发了一个双间隔模块,从支持功能中生成代表性的基础原型.
• 实现了基础原型和查询功能之间的深度交互.
• 引入了融合因子,以改进基础原型和灵活部署.

主要成果:

• 拟议的DIFD模型显著超过了最先进的方法.
• 在三个公共医疗图像数据集中,达到了2.78%的平均子得分改善.
• 在具有挑战性的医疗场景中证明了增强的细分精度.

结论:

• DIFD模型有效地解决了少数镜头医疗图像细分方面的局限性.
• 这种新方法通过解决数据变化和不平衡,提高了准确性.
• DIFD为医疗图像细分任务设定了一个新的性能基准.