少样本医学图像分割模型

跨模态迁移优异

提出多粒度门控与通道自适应激活机制，强化跨尺度特征协同与像素级感知，在单模态及跨模态少样本场景下均实现高精度分割。

Senting, Wang · Jingyu, Liu · Yan, Liao · Jiali, Gong · 吴爱林 · Peng, Zhao · Qi, Yaping · Rongyao, Chen · Xunan, Wang · Wu, Xiaoqing · Xu, Mengke · Yan, Weiqi · Huo, Wanli

Biomedical Signal Processing and Control 2026

技术优势

少标注也能分割

模型通过多粒度门控机制聚合多尺度特征，在少样本条件下仍能实现准确分割，降低了对大量标注数据的依赖。

细结构看得清

通道自适应激活增强了像素级感知能力，使模型能够精准分割复杂病理区域中的微小目标和狭窄区域。

跨模态迁移强

在少样本跨域迁移任务（CT→MRI）中，模型能高效学习跨模态特征，表现出优异的分割性能和泛化能力。

应用场景

• 医学影像分析：在标注稀缺时快速分割器官或病灶，替代人工勾画。
• 临床辅助诊断：为医生提供精确的感兴趣区域，辅助病变检测与诊断。
• 医疗AI软件：集成到影像分析软件中，降低用户标注门槛。