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

本文提出了一种基于全局相关模块和判别性嵌入损失的少样本医学图像分割方法，利用深度卷积神经网络高效准确地进行分割，取得了最新的实验成果。

Dec, 2020

本研究提出了一种叫做 “IPRNet” 的方法，采用在原型空间中的原型关系来增强少样本数据在特征空间中的区分性，该方法在 Pascal-5i 和 COCO-20i 数据集上具有优秀的分割性能。

Nov, 2022

通过关系增强的对比学习框架（RECLF），我们提出了一种可以模拟匹配间关系的医学图像表示学习方法，该方法利用医学图像报告作为弱监督，并通过图像 - 文本对齐实现。我们的结果表明，通过模拟匹配间关系，我们的 RECLF 方法可以学习到具有更好泛化能力的改进型医学图像表示。

Jan, 2024

通过混合原型一致性学习（MPCL）框架，我们提出了一种解决医学图像分割中标记数据稀缺性带来的原型表达不完整的问题的方法。在该框架中，平均教师生成标记和未标记数据的原型，而辅助网络通过 CutMix 处理混合数据产生额外的原型。通过原型融合，混合原型为标记和未标记的原型提供额外的语义信息。对左心房和 B 型主动脉夹层数据集的实验结果表明，MPCL 优于先前的最先进方法，证实了我们框架的有效性。

Apr, 2024

本文提出了一种原型混合模型 (PMMs)，该模型利用期望最大化算法从有限的支持图像中提取通道和空间语义，从而在激活查询图像中的物体的同时抑制背景区域，这种方法在 MS-COCO 数据集上 5-shot 分割性能提高了 5.82%。

Aug, 2020

远程感知图像的语义分割是远程感知图像解释中的重要问题。目前已经取得了显著的进展，虽然现有的深度神经网络方法在依赖大量训练数据方面存在问题。少样本远程感知语义分割旨在仅使用少量标注的目标类别支持图像从查询图像中学习分割目标对象。然而，现有的少样本学习方法主要集中在从支持图像中提取信息，未能有效解决地理对象外观和尺度的大差异。为了解决这些挑战，我们提出了一种自相关和交叉相关学习网络，用于少样本远程感知图像语义分割。我们的模型通过考虑支持图像和查询图像之间的自相关和交叉相关来增强泛化性能。为了进一步探索与查询图像的自相关性，我们提出采用经典的频谱方法，基于图像的基本视觉信息生成一个类别无关的分割掩模。在两个远程感知图像数据集上进行了大量实验，证明了我们的模型在少样本远程感知图像语义分割中的有效性和优越性。代码和模型可以在此 URL 中访问。

Sep, 2023

本文提出了一种利用潜在原型的对比增强方法来提高 few-shot 分割模型性能的方法，通过采样模块生成伪掩模和新的原型，从而提高原型和查询特征之间的相似性信息的利用率，并通过对比增强模块来提高预测性能。实验证明，该方法在 Pascal-5^i 和 COCO-20^i 的 1-shot 和 5-shot 分割任务中的性能明显优于现有方法，尤其在 5-shot 任务中，性能分别比基准提高了 5.9% 和 7.3%。

Mar, 2022

基于对比学习的视觉 - 语言联合预训练已成为一种成功的表示学习策略，本文提出了一个原型表示学习框架，将医学图像和报告之间的全局和局部对齐结合起来，通过重构被屏蔽的图像和报告来在训练阶段交换跨模态信息，实验结果表明该方法在多个数据集和不同数据集规模下优于其他方法。

Jul, 2023

本研究提出了一个针对半监督语义分割的简单但高效的半监督语义分割方法，称为 CorrMatch，目的是通过一致性正则化从未标记的图像中挖掘更多高质量的区域，以更有效地利用未标记的数据。

Jun, 2023