H2AL: Hyperbolic Hierarchy-aware Aggregative Learning for Registration-based Few-shot Medical Image Segmentation

H2AL 论文提出了一种用于基于配准的小样本医学图像分割（RFMIS）的框架，该框架利用双曲空间建模解剖结构的层次关系。现有方法在欧几里得空间进行像素级优化，忽略了结构层次，导致伪标签质量下降。H2AL 引入双曲层次感知注入模块，通过变换引导的监督双曲对比学习学习层次感知表示，并通过门控注入块将层次先验注入欧几里得空间。此外，H2AL 提出基于梯度聚合的端到端联合优化算法。

H2AL 的核心创新在于将双曲空间引入医学图像分割，利用其层次建模能力处理解剖结构的树状层次。通过对比学习在双曲空间学习表示，并通过门控机制融合到欧几里得空间，可能提升模糊区域的判别能力。梯度聚合的联合优化可能平衡配准和分割任务。