少样本高保真原型的医学图像分割
原文中文，约300字，阅读约需1分钟。发表于：。提出了一种新颖的 Detail Self-refined Prototype Network（DSPNet）用于构建全面表示目标前景和背景的高保真原型，以解决医学图像中具有复杂背景且对象不明显的情况下，已有模型在 few-shot 语义分割方面的不足。在三个具有挑战性的医学图像基准上的广泛实验证实了 DSPNet 相对于先前的最先进方法的优越性。
该研究提出了一种新的图像分解方法，通过图划分任务和特征向量分析来估计感兴趣对象的分布。该方法不依赖于标注数据，通过自适应地估计查询掩码来消除手动注释的需求。同时，引入了多尺度大卷积核注意力模块，提高了对支持图像信息的查询图像解码能力。评估结果表明该方法在自然和医学图像数据集上具有高效性和有效性。
