少样本图像分割
Parent: ai_keywords
少样本图像分割（Few-shot Image Segmentation）
核心定义
少样本图像分割旨在利用极少量的标注样本（通常为1-5个），对从未见过的新类别实现像素级精确分割。其核心思路是通过元学习或度量学习，从支持集（support set）中提取类别原型，并与查询图像（query image）特征进行相似性匹配，从而在无额外标注下泛化至新类别。该技术对医学图像分析意义重大，尤其适用于罕见病变、解剖变异等标注成本极高的场景。
关键技术点
-
原型网络
将支持图像中的前景/背景特征映射为类别原型向量，查询图像的每个像素与该原型计算距离（如余弦相似度），生成分割概率图。该方法结构简洁，且在小样本下稳定性高。 -
跨层级注意力与特征融合
引入可变形注意力或跨层特征交互，增强支持集与查询图像间的上下文对应关系。例如，基于Transformer的分割网络利用自注意力捕获全局依赖，缓解小样本导致的特征退化。 -
自监督预训练与迁移学习
在大规模无标签医学图像上（如脑MRI）进行对比学习或掩码重建，获得强表征能力。再通过少量标注样本微调，显著降低对新类别分割的过拟合风险。 -
数据增强与伪标签策略
通过旋转、弹性变形、色彩抖动及生成对抗网络（GAN）合成新样本，扩充支持集多样性。同时利用模型预测的伪标签迭代自训练，进一步提升分割鲁棒性。
医学/神经科学应用场景
以首都医科大学神经病学团队的研究为例：脑小血管病（CSVD）罕见影像标志物的少样本分割。临床上，CSVD的腔隙灶、扩大的血管周围间隙等亚型具有高度异质性，且标注样本极其稀缺（例如单个中心仅数十例可靠标注）。采用少样本分割框架，利用少量（如3~5个）已标注的脑白质高信号（WMH） 病灶作为支持集，模型即可快速迁移至新出现的微出血灶分割任务。结合高分辨率磁敏感加权成像（SWI），特征原型网络能在百秒内完成全脑分割，准确率达专业医师的90%以上。这一方法极大降低了人工标注成本，助力CSVD影像组学的大规模队列研究，为早期认知障碍风险评估提供自动化工具。
