SD-FSMIS：采用稳定扩散进行少样本医学图像分割

少样本医学图像分割 (FSMIS) 旨在仅使用最少的带注释示例来分割医学图像中的新颖对象类，解决医学成像中普遍存在的数据稀缺和领域转移的关键挑战。虽然扩散模型 (DM) 在视觉任务中表现出色，但它们在 FSMIS 中的潜力在很大程度上仍未被开发。我们认为，大规模 DM 学习到的丰富视觉先验为更强大、更高效的分割方法提供了强大的基础。在本文中，我们介绍了 SD-FSMIS，这是一种新颖的框架，旨在有效地适应 FSMIS 任务的强大的预训练稳定扩散（SD）模型。我们的方法通过引入两个关键组件来重新调整其条件生成架构：支持查询交互（SQI）和视觉到文本条件转换器（VTCT）。具体来说，SQI 提供了一种简单而强大的方法，使 SD 适应 FSMIS 范式。 VTCT 模块将来自支持集的视觉提示转换为指导扩散模型的隐式文本嵌入，从而实现生成过程的精确调节。大量实验表明，与标准设置中最先进的方法相比，SD-FSMIS 取得了有竞争力的结果。令人惊讶的是，它在更具挑战性的跨域场景中也表现出了出色的泛化能力。这些发现凸显了采用大规模生成模型来推进数据高效且稳健的医学图像分割的巨大潜力。