2021年2月19日，我院吴健团队在计算机医学图像处理的顶刊IEEE Transactions on Medical Imaging（IF=10.048）发表了题为“Interactive Few-shot Learning: Limited Supervision, Better Medical Image Segmentation” 的研究论文。该论文针对医学影像分割中标注成本高的问题以及现有小样本分割系列方法存在的适应性差等问题，通过将交互式学习策略引入到小样本学习，提出一种全新的分割方法，即交互式小样本学习（Interactive Few Shot Learning，IFSL）。该方法有效减轻了医学图像深度学习分割模型的数据依赖，并体现出了较大的临床应用价值，可以帮助医生在只有少量标注样本的情况下很快地应用深度学习模型，同时交互地对模型进行监督。博士生冯芮苇和硕士生郑向上、高天祥是论文的共同第一作者，吴健教授是本文的通讯作者。

近年来，基于人工智能的医学影像智能分析技术快速发展，为医疗辅助诊断和医疗服务提供重要支撑；尤其是医学影像的智能分割技术，通过实现医学影像上病灶或器官的自动分割，帮助医生精确地识别和定位病灶区域。准确有效的分割往往依赖于大量精细的标注数据。在这一过程中，往往需要耗费高年资医生大量的时间和精力。此外，在临床实际中，某些疾病相关的数据本身就较为缺乏（如一些罕见疾病）。因此，数据量少、高质量标注数据更少成为训练高精度深度学习算法进而应用于临床的一个巨大的阻碍。

图1 交互式少样本学习方法（IFSL）

在本论文中，作者提出一种交互式少样本学习方法（IFSL），有效缓解了医学影像智能分割深度学习算法的数据标注负担，同时优化了现有的小样本分割深度学习方法。首先，本文设计了一个新的基于医学先验的小样本学习分割模型（Medical Prior-based Few-shot Learning Network，MPrNet），该模型通过多个分支来充分利用医学图像中的空间、纹理信息，只需要标注少量样本且不需要进行预训练就能提供较好的分割效果。其次，本文提出了一种在测试阶段基于交互式学习策略的优化算法（Interactive Learning-based Test Time Optimization Algorithm，IL-TTOA），以动态交互的形式对分割模型进行优化，使其在目标任务上的表现逐渐增强。最后，本文提出的IFSL方法在四个医学图像数据集上得到了充分验证，其效果相较于文献已报道的最新小样本分割方法有了较为明显的提升。此外，本文所提出的全新优化算法IL-TTOA能够以人为可控的方式对任何小样本深度学习分割模型进行增强，或为后续研究提供新的思考。

该工作得到了陈子仪教授的指导，还得到了国家重点研发计划、国家自然科学基金、浙江省公益技术研究计划项目、温州市科技局课题等项目的资助。