论文标题：Recurrent Mask Refinement for Few-Shot Medical Image Segmentation

论文链接：https://arxiv.org/abs/2108.00622

代码链接：https://github.com/uci-cbcl/RP-Net

作者单位：加利福尼亚大学

本文提出了一种新的Few-Shot医学图像分割框架，其使用上下文关系编码器和循环模块迭代地细化分割掩码，表现SOTA！性能优于PANet等网络，代码即将开源！

尽管在医学图像分割方面取得了巨大成功，但深度卷积神经网络通常需要一个带有手动注释的大型数据集进行训练，并且很难泛化到看不见的类别。小样本学习有可能通过仅从几个标记示例中学习新类来解决这些挑战。在这项工作中，我们提出了一种基于原型网络的小样本医学图像分割的新框架。我们的创新在于两个关键模块的设计：1）上下文关系编码器（CRE），它使用相关性来捕获前景和背景区域之间的局部关系特征； 2) 循环掩码细化模块，重复使用 CRE 和原型网络来重新捕获上下文关系的变化并迭代地细化分割掩码。在两个腹部 CT 数据集和一个腹部 MRI 数据集上的实验表明，所提出的方法在 DSC 方面分别比最先进的方法平均提高了 16.32%、8.45% 和 6.24%。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除