Few-Shot Medical Image Segmentation with High-Fidelity Prototypes

Few-shot Semantic Segmentation（FSS）旨在通过每个类别只有一个标记的训练样本，将预训练模型适应到新类别上。尽管基于原型的方法已经取得了相当大的成功，但现有模型仅适用于具有明显不同对象且背景不是非常复杂的成像场景，例如自然图像。这使得这种模型对于具有无效条件的医学成像来说不是最优的。为了解决这个问题，我们提出了一种新颖的详细自我精化原型网络（DSPNet），以更全面地构建代表对象前景和背景的高保真度原型。具体来说，为了构建全局语义并保持捕捉到的详细语义，我们通过聚类来建模多模态结构，然后以通道方式融合每个前景原型。考虑到背景在空间维度上通常没有明显的语义关系，我们在稀疏通道感知调节下集成通道特定的结构信息。在三个具有挑战性的医学图像基准测试上的广泛实验表明，DSPNet优于先前的最先进方法。

本论文旨在解决Few-shot Semantic Segmentation (FSS)在医学影像中应用的问题，即现有的原型模型无法处理高度复杂的医学影像背景。

本论文提出了一种新的Detail Self-refined Prototype Network (DSPNet)方法，通过聚类和通道融合来构建全局语义，同时保留细节语义，并且使用稀疏通道感知规则来整合通道特定的结构信息。

论文在三个具有挑战性的医学影像基准测试上进行了广泛的实验，证明了DSPNet优于之前的最先进方法。值得关注的是，DSPNet可以处理高度复杂的医学影像背景，同时还具有开源代码和可重复的实验设计。

近期在这个领域的相关研究包括：Few-Shot Learning (FSL)、Semantic Segmentation、Prototype-based方法等。