本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

Jul, 2019

提出了一种基于非负张量分解的无监督学习方法，通过发掘卷积神经网络特征图中表示空间部分和外观特征的因子，实现基于像素级控制的上下文感知局部图像编辑，并证明外观因子对应于显著性图，可以定位感兴趣的概念，具有比现有方法更高的准确性和更少的训练时间。

May, 2022

通过自监督框架学习适用于密集下游任务的体素级粗细粒度表示，通过平衡多尺度特征的贡献，确保学习到的表示捕捉到粗粒度和细粒度的细节，并在有限的注释数据下持续优于基准模型。

Jan, 2024

本文提出了一种可解释的卷积神经网络模型，基于变分自编码器，用于识别心脏核磁共振分割序列中的疾病，并使用 ' 概念激活向量 ' 技术关联一些向量，并定性地观察在这些向量方向上的测量值的变化，从而提供相应的自然可解释概念，该方法在英国生物银行心脏磁共振成像数据集上检测冠状动脉疾病。

Jun, 2019

利用少样本学习，探讨在医学图像中通过数据属性表达在低维空间的非负矩阵因式分解 (NMF) 的有效性，实验证明 NMF 是医学图像中少样本学习的一种竞争性替代方案，尤其是用于检测限制样本医学图像中异常区域的有监督 NMF 算法的效果更具区分度。

Apr, 2024

本文提出了一种基于对比学习的半监督 3D 医学图像分割策略 (FBA-Net)，通过对前景 - 背景对进行对比，旨在学习一种能够有效捕捉感兴趣解剖结构的表示，实验结果表明，本方法达到了 91.31% 的 Dice 分数，具有推动半监督 3D 医学图像分割的潜力，能够在有限标注的情况下实现更高效和准确的医学图像分析。

Jun, 2023

我们提出了一种全心自监督学习框架，利用掩蔽成像建模自动发现心脏图像中空间和时间补丁之间的相关性，以生成有意义且高度聚类的心脏表示，该表示可以直接用于多个下游任务，而且在缺失或有缺陷的心磁共振平面上也具有鲁棒性，该方法在综合 3D+T 心脏信息方面具有出色的性能。

Jun, 2024

该研究论文介绍了一种用于心脏图像的自动分割和辅助诊断的半监督模型，通过利用心脏 MRI 图像和仅需少量标注图像数据，实现了对心脏图像的全自动、高精度分割，特征提取，临床指数计算和疾病预测，并展示该模型在分割和预测中的高准确性，具备实际指导和应用价值。

May, 2024

基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念，展示了对人类心血管疾病和健康的全面评估；我们的模型在美国的四个大型学术临床机构的数据上训练和评估，并在英国 BioBank 和其他两个公开可用的外部数据集上展示了卓越的性能，实现了包括左心室射血分数回归和 35 种不同病症（如心脏淀粉样变及肥厚型心肌病）的诊断等一系列任务，显示出对人类心血管疾病的复杂性的理解能力，并在仅需要一部分通常用于这种任务的训练数据的情况下，实现了令人印象深刻的临床级诊断准确率。

Dec, 2023

本文研究在医学成像中使用组合性来学习更可解释和泛化的表示，通过使用可学习的 von-Mises-Fisher (vMF) 核来建模组成性表示，并探索如何使用不同的设计和学习偏差来实现半监督域泛化医学图像分割任务的最佳性能。

Jun, 2023