让医学影像跨越“域”的鸿沟：FAMNet 的频域觉知匹配新思路
在医学图像分割领域，“少样本学习（Few-Shot Learning）” 一直是研究热点。毕竟在实际医疗环境中，标注一张 MRI 或 CT 图像的成本极高，而深度学习模型又往往“饥饿”于大规模数据。
然而，即便我们能用少量样本训练出一个在当前模态（如 CT）上表现良好的分割模型，当它面对另一种模态（如 MRI）时，性能往往会“崩塌”。这种问题被称为 跨域泛化（Cross-domain Generalization），而在少样本语境下，它更加棘手。
提出了一个新颖框架FAMNet（Frequency-aware Matching Network），首次系统地定义并解决了 跨域少样本医学图像分割（CD-FSMIS） 任务。他们的核心思路是：从频域出发，找到不同成像技术间的“共鸣频带”，让模型具备跨模态的理解与迁移能力。
一、跨域少样本分割：现实痛点
传统的少样本医学分割（FSMIS）方法通常假设训练与测试图像来自同一领域，例如都来自腹部 CT 数据。
但在实际中，医学影像的“域”差异极其显著：
-
成像方式不同：CT、MRI、超声等；
-
机构差异：不同