融合多注意力机制的自监督小样本医学图像分割

主流的基于全监督的深度学习分割模型在丰富的标记数据上训练时可以取得良好的效果，但医疗图像领域的图像分割存在标注成本高、分割目标种类多的问题，且往往缺少足够的标注数据。提出一个模型，通过融合自监督从数据中提取标签，利用超像素表征图像特性，进行小样本标注条件下的图像分割。引入多注意力机制使得模型更多关注图像的空间特征，位置注意模块和通道注意模块致力于单一图像内部的多尺度特征融合，而外部注意力模块显著突出了不同样本间的联系。在CHAOS健康腹部器官数据集上进行实验，1-shot极端情况下DSC达0.76,相较baseline分割结果提升3%左右。通过调整N-way-K-shot任务数来探讨小样本学习的意义，在7-shot设置下DSC有显著提升，与基于全监督的深度学习分割效果的差距在可接受范围内。