本文提出了一种基于 TRansformer 网络的 Few-shot 语义分割方法（TRFS），它采用全局增强模块（GEM）和局部增强模块（LEM）相结合的方法，可以在 PASCAL-5i 和 COCO 数据集上取得新的最优表现。

Aug, 2021

本文提出了一个新的基于原型网络的少样本医学图像分割框架，它以两个关键模块：上下文关系编码器和反复使用原型网络的逐步掩模细化模块作为创新，通过对两个腹部 CT 数据集和一个腹部 MRI 数据集的实验表明，该方法相对于现有最先进的方法平均提高了 16.32％、8.45％和 6.24％，有效地解决了深度卷积神经网络在医学图像分割方面的困难。

Aug, 2021

本论文提出了一种无监督学习的预测传输正则化器 (RPT)，利用语义分割的内在特性进行模型转移，从而提高模型的鲁棒性和准确性。作者还将 RPT 集成到对抗式分割框架中，在 GTA5/SYNTHIA 到 Cityscapes 数据集的转换中实现了历史上最好的结果：当从 GTA5/SYNTHIA 到 Cityscapes 转换时，模型的平均交并比 (mIoU) 分别为 53.2％/51.7％。

Jun, 2020

人工智能在医学诊断中的部署需要准确性、有效性和可信性，强调机器决策的可解释性。最近自动化医学图像诊断的趋势倾向于采用基于 Transformer 的架构，归功于其令人印象深刻的能力。我们的研究旨在创新一种强调 “区域” 而非 “像素” 相关性的独特注意块，以应对这一挑战。引入基于样本学习的创新系统，具备先进的自注意机制，并通过提供可理解的视觉洞察力，超越传统的临时视觉解释技术。我们使用定量和定性的方法论，演示了该方法在大规模的 NIH 胸部 X 射线数据集上的有效性。实验结果表明，我们提出的方法为可解释性提供了有希望的方向，这可以导致更可信的系统的发展，并促进这种技术更容易和快速地应用于常规诊所中。代码可在 www.github.com/NUBagcilab/r2r_proto 找到。

Mar, 2024

本文提出了基于交叉引用变压器的医学图像分割方法，能够在高维通道中更好地挖掘和增强支持特征和查询特征的相似部分，实验结果表明该模型在 CT 数据集和 MRI 数据集上均取得了良好的结果。

Apr, 2023

使用少量有标签的支持图像来识别新类别对象的分割，本文提出了 Target-aware Bi-Transformer Network（TBTNet）以等效处理支持图像和查询图像，并设计了强大的 Target-aware Transformer Layer（TTL）以提取相关性并强制模型关注前景信息，该方法在 PASCAL-5i 和 COCO-20i 标准 FSS 基准测试上表现出色。

Sep, 2023

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。

Jun, 2024

为在高质量注释匮乏的医学图像分割任务中提供更有前景的解决方案，本文提出了一种从给定支持医学图像中提取多个代表性子区域的方法，实现对生成图像区域的精细选择。通过区域性典型学习 (RPL) 模块，将支持图像的前景分解为不同的区域，并基于一种双向消除机制的新颖典型性代表去偏差 (PRDP) 模块抑制了区域性表示的干扰，最后，设计了一个组装预测 (AP) 模块来平衡和整合通过堆叠 PRDP 模块学习到的多个典型性表示的预测。在三个公开可访问的医学图像数据集上进行的大量实验证明了对主导的 FSMIS 方法的一致改进效果。源代码可在此 https URL 获取。

Sep, 2023

我们提出了一种基于 Transformer 的多例学习方法，用区域视觉 Transformer 自注意机制替代传统的学习注意机制，通过融合区域块信息来预测整张幻灯片，并展示了如何在不同距离级别上分层处理特征。为了提高预测准确性，尤其是对于具有小区域形态特征的数据集，我们介绍了一种在推断期间将图像处理集中于高注意区域的方法。我们的方法能够显著提高两个组织病理学数据集上的性能，并指出了进一步研究的有希望的方向。

Aug, 2023

本文提出了一种针对医学图像的新型自监督少样本分割方案，其中使用基于超像素的伪标签提供监督，采用自适应本地原型池化模块解决前景背景不平衡问题，并在三个不同的任务下测试，结果表明该方法优于传统需要手动注释的方法。

Jul, 2020