Prototype Correlation Matching and Class-Relation Reasoning for Few-Shot Medical Image Segmentation

少样本医学图像分割在生物医学成像领域中取得了很大的进展，提高了医学分析的准确性和效率。然而，大多数现有方法不能探索基类和新类之间的跨类关系，以推理未见过的新类别。此外，同一种医学类别具有多样的外观、形状和尺度，导致模糊的视觉特征描述，降低了这些现有方法在未见过的新类别上的泛化性能。为了解决上述挑战，本文提出了一种原型相关匹配和类别关系推理（即PMCR）模型。该模型可以有效地缓解由于大量内类别变化引起的错误像素相关匹配，同时推理不同医学类别之间的跨类关系。具体而言，为了解决大量内类别变化带来的错误像素相关匹配，我们提出了原型相关匹配模块，以挖掘能够很好地表征不同外观的代表性原型。我们旨在通过最优传输算法探索原型级别而不是像素级别的支持和查询特征之间的相关匹配，以解决由内类别变化引起的错误匹配。同时，为了探索跨类别关系，我们设计了一个类别关系推理模块，通过推理基类和新类别之间的跨类别关系来分割未见过的新医学对象。这种跨类别关系可以很好地传播到局部查询特征的语义编码中，以提高少样本分割性能。定量比较说明了我们的模型相对于其他基准方法的大幅性能提升。

本文旨在解决医学图像分割领域中的几个挑战，包括无法探索基类和新类之间的类间关系以推理未见过的新类，以及同一种医学类别具有多样化的外观、形状和尺度，导致模糊的视觉表征降低了现有方法对未见过的新类的泛化性能。

本文提出了一个名为PMCR的模型，通过原型相关匹配模块和类关系推理模块，有效地缓解了大内类变异引起的假像素相关匹配，同时推理不同医学类别之间的类间关系。原型相关匹配模块通过挖掘代表性原型来表征不同外观的多样视觉信息，以探索原型级别而非像素级别的支持和查询特征之间的相关性匹配。类关系推理模块可以通过推理基类和新类之间的类间关系来分割未见过的新医学对象，这些类间关系可以很好地传播到局部查询特征的语义编码中，以提高少样本分割性能。

本文的亮点包括：1. 提出了一个新的模型PMCR，可以有效地缓解大内类变异引起的假像素相关匹配，同时推理不同医学类别之间的类间关系；2. 通过原型相关匹配模块和类关系推理模块来实现，可以在少样本分割任务上取得更好的性能；3. 实验结果表明，与其他基线方法相比，本文的模型可以显著提高分割性能。

在这个领域中，最近的相关研究包括：1. Few-shot医学图像分割中的元学习方法；2. 基于注意力机制的医学图像分割方法；3. 使用生成对抗网络的医学图像分割方法等。