PAMI：一種小樣本醫(yī)學(xué)圖像分割新網(wǎng)絡(luò)，通過抑制區(qū)域原型的擾動(dòng)來減輕類內(nèi)變化的影響，在多個(gè)數(shù)據(jù)集上性能表現(xiàn)SOTA！代碼已開源！單位：南京理工大學(xué), NCL, 哈工大 對(duì)于高質(zhì)量注釋自然稀缺的醫(yī)學(xué)圖像分割任務(wù)來說，小樣本醫(yī)學(xué)圖像分割（FSMIS）是一種更有前景的解決方案。 然而，當(dāng)前的主流方法主要側(cè)重于從外觀和背景類內(nèi)變化較大的支持圖像中提取整體表示，并且在適應(yīng)查詢圖像方面遇到困難。本文提出了一種從給定的支持醫(yī)學(xué)圖像中提取多個(gè)代表性子區(qū)域的方法，從而能夠?qū)ι傻膱D像區(qū)域進(jìn)行細(xì)粒度選擇。 具體來說，支持圖像的前景被分解為不同的區(qū)域，隨后通過設(shè)計(jì)的區(qū)域原型學(xué)習(xí)（RPL）模塊將其用于導(dǎo)出區(qū)域級(jí)表示。 然后，我們引入了一種基于雙向消除機(jī)制的新型原型表示去偏（PRD）模塊，該模塊通過自支持、多方向自去偏（MS）塊和支持查詢來抑制區(qū)域表示的干擾， 交互式去偏 (ID) 模塊。 最后，設(shè)計(jì)了一個(gè)組裝預(yù)測(cè)（AP）模塊來平衡和集成使用堆疊 PRD 模塊學(xué)習(xí)的多個(gè)原型表示的預(yù)測(cè)。 通過對(duì)三個(gè)可公開訪問的醫(yī)學(xué)成像數(shù)據(jù)集進(jìn)行廣泛實(shí)驗(yàn)獲得的結(jié)果表明，與領(lǐng)先的 FSMIS 方法相比，該方法取得了一致的改進(jìn)。

論文地址：https://arxiv.org/abs/2309.11172 代碼地址：https://github.com/YazhouZhu19/PAMI