在原型空间用注意力校准标注者差异，使少样本医学分割在CURVAS与QUBIQ上按标注者输出个性化预测并提升Dice
该工作提出少样本多标注者医学图像分割问题，并给出以原型为中心的个人化框架：先由多标注者掩膜求平均得到共识掩膜与共识原型，再以每个标注者原型相对共识原型的偏差作为注意力键，用共享自注意力对拼接后的标注者原型进行校准，配合校准损失、由超像素伪标签经随机结构化边界变换生成的伪风格监督以及两阶段训练；在CURVAS腹部CT（肾、胰、肝，三位专家，20训练/65测试）与QUBIQ脑生长MRI（一位类别、七位标注者，34训练/5测试）上，以逐标注者Dice评估，方法在标准与严格未见类两种设置下相对SSL-ALPNet与DSPNet等原型基线取得一致提升，例如Abd-CT设置1中DSPNet由61.52升至