基于优化伪标注与自注意力机制的少样本医学图像分割新方法OPFSS

　　本研究针对医学图像分割中标注数据稀缺的瓶颈问题，提出了一种融合Felzenszwalb算法与卷积神经网络的半监督训练方法OPFSS。通过创新性优化伪标注生成策略，结合自注意力机制与自动增强技术，在CHAOS和Synapse数据集上分别达到78.77%和72.19%的Dice分数，为少样本医学分割提供了有效解决方案。

　　

深度学习在医学图像分割领域展现出卓越潜力，但其实际应用受限于标注数据不足。本研究提出一种基于优化伪标注与自注意力(self-attention)的半监督训练方法OPFSS，通过融合Felzenszwalb算法与轻量卷积神经网络(CNN)的创新策略生成伪标注：Felzenszwalb算法基于区域特征完成初步分区，CNN则凭借强大特征提取能力优化标注区域。两种方法的协同作用既避免了传统模型迭代标注易陷入局部最优的局限，又弥补了简单图论方法特征表征不足的缺陷。此外，在原型网络中引入自注意力机制与自动增强技术，充分挖掘标注图像中的上下文与纹理信息。实验结果表明，OPFSS在公开医学影像数据集CHAOS和Synapse上分别达到78.77%和72.19%的Dice分数，验证了该方法的有效性与优越性。作者声明无利益冲突。