Q2A: Querying Implicit Fully Continuous Feature Pyramid to Align Features for Medical Image Segmentation

近期的医学图像分割方法采用隐式神经表示（INR）来解码器中，以实现连续坐标解码，以解决传统离散基于网格的数据表示的缺点。然而，基于INR的解码器无法很好地处理由INR中天真的潜在代码获取策略带来的特征不对齐问题。虽然存在许多特征对齐的工作，但它们都采用逐步多步对齐范式在离散特征金字塔上，这与基于INR的连续一步特征解码器不兼容，因此无法成为解决方案。因此，我们提出了Q2A，一种新颖的一步基于查询的对齐范式，以解决基于INR的解码器中的特征不对齐问题。具体而言，对于每个目标坐标，Q2A首先生成几个查询，描述与坐标对齐的上下文特征的空间偏移和单元分辨率，然后通过将查询馈送到新颖的隐式完全连续特征金字塔（FCFP）中计算相应的对齐特征，最后融合对齐特征以预测类别分布。在FCFP中，我们进一步提出了一种新颖的通用分区和聚合策略（P＆A），以替换INR中的天真插值策略，从而缓解查询单元分辨率相对较大时出现的信息丢失问题，并实现任意连续分辨率的有效特征解码。我们在两个医学数据集（即Glas和Synapse）和一个通用数据集（即Cityscapes）上进行了广泛的实验，结果显示了所提出的Q2A的优越性。

论文旨在解决基于隐式神经表示（INR）的解码器在处理特征错位问题时的不足，提出一种新的基于查询的对齐范式来解决这个问题。

论文提出了一种新的基于查询的对齐范式（Q2A）来解决INR解码器中的特征错位问题，并进一步提出了一种新的分区和聚合策略（P＆A）来替换INR中的插值策略，以实现有效的特征解码。

论文在两个医学数据集（Glas和Synapse）和一个通用数据集（Cityscapes）上进行了广泛的实验，证明了Q2A的优越性。论文提出的P＆A策略缓解了当查询单元格分辨率相对较大时出现的信息丢失问题，并实现了任意连续分辨率的有效特征解码。

相关研究包括基于特征金字塔的多步对齐范式以及其他特征对齐工作，如STN和TPS。