对比图建模用于跨域少样本医学图像分割

Research Paper#Medical Image Segmentation, Few-Shot Learning, Graph Neural Networks🔬 Research|分析: 2026年1月4日 00:17•
发布: 2025年12月25日 14:00
•
1分で読める
•ArXiv

分析

本文解决了跨域少样本医学图像分割的挑战，这是在医学应用中一个关键问题，因为医学应用中标记数据非常稀缺。 提出的对比图建模（C-Graph）框架通过利用医学图像的结构一致性提供了一种新颖的方法。 关键创新在于将图像特征表示为图，并采用结构先验图（SPG）层、子图匹配解码（SMD）和混淆最小化节点对比（CNC）损失等技术来提高性能。 本文的重要性在于它有可能在标记数据有限的场景中以及跨不同医学成像领域提高分割精度。
引用 / 来源
查看原文
"The paper significantly outperforms prior CD-FSMIS approaches across multiple cross-domain benchmarks, achieving state-of-the-art performance while simultaneously preserving strong segmentation accuracy on the source domain."
A
ArXiv2025年12月25日 14:00
* 根据版权法第32条进行合法引用。
较旧

SlideChain: Semantic Provenance for Lecture Understanding via Blockchain Registration

较新

Pressure-Tuned Metamagnetism and Emergent Three-Body Interactions in CsFeCl$_3$

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv