小样本分割性能新高
突破单一原型的信息瓶颈，通过自引导拆分保留完整语义，为小样本医学图像分割提供更稳健的类别表示。
Pengrui, Teng · Liu, Wenjian · 王雪松 · Di, Wu · Yuan, Chang'an · 程玉虎 · 黄德双
Neurocomputing 2024
原型拆分模块以自引导方式迭代拆分支撑掩码，避免掩码全局平均池化造成的信息丢失，从而最大程度保留原语义类别的信息。
通过拆分保留完整区域信息，使得网络能够更好地提取各类别的特征表示，提升分割精度。
在多个模态和多语义的医学图像数据集上验证，该方法取得了优于现有最先进方法的性能。