双路自优化小样本医学图像分割网络

作     者：高峰 降爱莲 冀伟 肖慈美 

作者机构：太原理工大学计算机科学与技术学院(大数据学院) 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2025年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0836[工学-生物工程] 

基　　金：山西省自然科学基金(No.202203021211177) 

主　　题：小样本学习 医学图像分割 注意力机制 原型自校准 

摘      要：当前，小样本医学图像分割方法主要通过特征空间对齐和增强模型泛化性以指导查询集分割，但其忽略了支持集与查询集病理器官间存在显著类内差异以及前景与背景之间存在边缘误差。本文提出一种双路自优化小样本医学图像分割网络（A Dual-Branch Self-Optimizing Segmentation Network，DSSNet），该网络充分利用医学图像的结构位置先验，采用前景与背景双路径并行优化原型策略，以提升对样本边缘分割精度。同时本文提出了一种自匹配的动态优化策略，通过利用高置信度原型进行原型校准，缓解支持样本与查询样本间的类内差异。该策略通过在双分支网络中引入前景与背景的并行优化，增强了两者之间的结构信息互补。此外，本文提出了一种多尺度特征聚合模块，通过聚合模型中不同尺度的语义特征，在保留更多细节信息的同时增强模型的长距离相关性依赖。模型在公开的医学图像分割数据集Abd-MRI和Card-MRI上进行了充分的对比实验与消融实验，结果验证了所提模型与当前最先进的小样本医学图像分割方法相比，在分割准确率上展现出了显著的性能优势。