摘要
Q-Net,是一种基于查询的元FSS(特征子集选择)方法,它在精神上模仿了专家临床医生的学习机制。 在异常检测方法ADNET的基础上构建。 具体来说,它是在ADNET中增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精化模块。 Q-Net将它们与特征提取模块的双路径扩展相结合,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。揭示了一种通过利用查询信息来改进元FSS技术的新方法。
Q-net网络
Q-Net与AdNet有3个不同之处。
首先,它执行一个基于查询的阈值自适应,产生一个自适应的而不是固定的阈值,用于异常检测。 第二,它有一个附加的查询通知原型精化模块。 最后,采用双路径运行,捕获双尺度特征。
Contributions
受专家临床医生学习机制的启发,提出了一种改进Meta-FSS技术的策略,即查询告知学习(QIL)。 Q-Net 在SOTA ADNet上增加了三个新的算法模块,即查询通知阈值自适应、查询通知原型精化和双路径扩展。 Adnet在推理过程中修正其阈值和原型。 相比之下,Q-net可以自动调整阈值和原型,以减轻查询图像和支持集之间可能的分布转移。 此外,与使用单尺度特性的ADNET不同,Q-NET具有捕获多尺度特性以供使用的双路径体系结构。
背景
基于CNNs的医学图像分割深度学习已经成为各种组织、解剖结构和病灶MIS的主流方法。 完全卷积网络&#