双过交叉注意力和洋聚合网络用于增强的少数镜头医疗图像细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 短期学习在医学图像细分方面表现有前途.
• 当前的少数镜头医学图像分割 (FSMIS) 模型在利用查询信息方面存在局限性,导致原型偏差和不良概括.

研究的目的:

• 提出双过交叉关注和洋聚合网络 (DCOP-Net) 来解决FSMIS中的局限性.
• 为了增强原型学习和细分精度,在少数拍摄场景.

主要方法:

• 引入了双过交叉注意 (DFCA) 模块,通过整合查询前景功能和避免功能纠来完善原型学习.
• 设计了一个洋聚合 (OP) 模块,使用侵蚀口罩操作和掩盖平均聚合来生成多样化的原型并减少偏差.
• 实施了并行值感知 (PTP) 模块和查询自引用规范化 (QSR) 策略,以提高细分的稳定性和一致性.

主要成果:

• 与最先进的方法相比,DCOP-Net在三个公共医疗图像数据集上表现出更高的性能.
• 拟议的模块有效地减轻了原型偏差,并改善了查询图像信息的集成.
• 该网络在一些简单的学习任务中展示了增强的细分和概括能力.

结论:

• DCOP-Net在短拍数次医疗图像细分方面取得了重大进展.
• 新的DFCA和OP模块在改善原型学习和减少偏见方面是有效的.
• 拟议的方法显示了临床应用的强大潜力,需要精确的细分与有限的数据.