DINOv2 based Self Supervised Learning For Few Shot Medical Image Segmentation

深度学习模型已成为医学图像分割的基石，但它们的有效性取决于可用的大量手动标记数据集，其对未知类别的适应性仍然是一个挑战。少样本分割（FSS）通过赋予模型从有限标记示例中学习新类别的能力，提供了一个有前途的解决方案。FSS的一种主要方法是ALPNet，它比较查询图像和少量可用的支持分割图像之间的特征。使用ALPNet的一个关键问题是如何设计其特征。在这项工作中，我们深入探讨了使用DINOv2的特征的潜力，DINOv2是计算机视觉中基础的自监督学习模型。利用ALPNet的优势和DINOv2的特征提取能力，我们提出了一种新的少样本分割方法，不仅提高了性能，还为更强大和适应性更强的医学图像分析铺平了道路。

本论文旨在解决医学图像分割中，深度学习模型需要大量手动标记数据集的问题，并提出一种基于DINOv2特征提取的少样本分割方法。

论文提出了一种新的少样本分割方法，结合了ALPNet和DINOv2的优点，使得模型能够从有限的标记样本中学习新的类别。

论文在多个医学图像分割数据集上进行了实验，证明了该方法的有效性。此外，DINOv2的特征提取能力为模型的性能提供了进一步提升。论文还提供了开源代码。

在相关研究方面，最近的一些研究包括：Few-shot segmentation via contrastive learning (ICCV 2021)，Few-shot segmentation with prototype learning (MICCAI 2020)等。