之江实验室提出Q-Net：Query-Informed 小样本医学图像分割
-
转载： CVer计算机视觉（知乎）
本文提出Q-Net：一种用于小样本医学图像分割的新型元学习方法，即通过利用Query信息来改进 Meta-FSS 技术的新方法，性能表现出色，代码刚刚开源！
Q-Net: Query-Informed Few-Shot Medical Image Segmentation
单位：之江实验室
代码：https://github.com/ZJLAB-AMMI/Q-Net
论文：https://arxiv.org/abs/2208.11451深度学习在计算机视觉方面取得了巨大成功，而由于数据注释的稀缺，医学图像分割 (MIS) 仍然是一个挑战。用于小样本分割的元学习技术 (Meta-FSS) 已被广泛用于应对这一挑战，但它们忽略了查询图像和支持集之间可能的分布变化。相比之下，有经验的临床医生可以通过从查询图像中借用信息来感知和解决这种变化，然后相应地微调或校准他（她）先前的认知模型。
受此启发，我们提出了 Q-Net，这是一种 Query-informed Meta-FSS 方法，它在模仿了专家临床医生的学习机制。我们基于最近提出的异常检测启发方法 ADNet 构建 Q-Net。
具体来说，我们在 ADNet 中添加了两个查询通知计算模块，即查询通知阈值自适应模块和查询通知原型细化模块。
主要贡献
实验结果
将它们与特征提取模块的双路径扩展相结合，Q-Net 在两个广泛使用的数据集上实现了最先进的性能，这两个数据集分别由腹部 MR 图像和心脏 MR 图像组成。我们的工作揭示了一种通过利用查询信息来改进 Meta-FSS 技术的新方法。
