ARPNet:基于Transformer细化的自适应区域原型医学小样本语义分割网络

摘要

在医学图像语义分割领域，小样本学习因其高效的数据利用率和优秀的泛化能力，受到广泛关注.为应对医学图像中前景与背景的极度不平衡问题，目前基于区域原型的方法已成为主流.然而，现有的区域原型方法在应对数据样本中普遍存在的内类差异和类间差异方面，分割效果有限.为此，本文提出一种基于Transformer细化的自适应区域原型网络(ARPNet),该方法能够根据前景的大小、形状及特征分布自适应生成区域原型，以更精确地学习多个子区域表示来提升模型的分割性能.为进一步弥补区域原型方法所存在的全局类别信息丢失问题，本文提出原型细化模块.该模块由原型增强和原型对齐两部分组成，原型增强部分基于Transformer结构和掩码注意力机制，在增强局部信息的同时补充全局信息；原型对齐部分则通过区域原型与查询特征的交互，实现对查询目标的精确对齐.实验表明，所提出的方法在CHAOS和SABS两个公开数据集上均能取得优异的性能.

关键词

深度学习 / 小样本学习 / 医学图像分割 / 卷积神经网络 / Transformer