用于少样本医学图像分割的循环掩码细化
计算机视觉与模式识别
2021-08-05 v2
摘要
尽管深度卷积神经网络在医学图像分割中已取得巨大成功，其通常需要带手动标注的大规模数据集进行训练，且难以泛化到未见过的类别。少样本学习有望通过仅从少量标注样本学习新类别来应对这些挑战。本工作中，我们提出一种基于原型网络的少样本医学图像分割新框架。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），利用相关性捕捉前景与背景区域间的局部关系特征；2）循环掩码细化模块，反复使用 CRE 与原型网络重新捕获上下文关系的变化并迭代细化分割掩码。在两个腹部 CT 数据集与一个腹部 MRI 数据集上的实验表明，所提方法在 DSC 上分别平均比最先进方法提升 16.32%、8.45% 与 6.24%。代码已公开。
引用
@article{arxiv.2108.00622,
title = {Recurrent Mask Refinement for Few-Shot Medical Image Segmentation},
author = {Hao Tang and Xingwei Liu and Shanlin Sun and Xiangyi Yan and Xiaohui Xie},
journal= {arXiv preprint arXiv:2108.00622},
year = {2021}
}
备注
Accepted ICCV 2021