自我监督学习和半监督学习在医学影像领域的新进展，通过 S4MI（自我监督和半监督医学影像）管道，使用 10% 标签注释的自我监督学习在大多数数据集的分类任务上表现优于 100% 标签注释，而使用 50% 标签数较少的半监督方法在三个数据集的分割任务上表现更好。

Nov, 2023

本文总结和回顾了过去五年来针对深度学习在医学图像分析领域中面临着的挑战和问题进行的一系列研究和尝试，强调了半监督和无监督深度学习在医学图像分析领域的最新进展和贡献，并讨论了未来研究的可能解决方案和技术挑战。

May, 2021

进行全面回顾医学图像分析数据有效深度学习方法，将其按照所依赖的监督水平进行分类，并进一步细分为多个子类，研究常用的数据集和未来的研究方向。

Oct, 2023

对医学图像分类应用进行的研究表明，使用未标记的数据可以提高分类器的性能，通过自监督学习和半监督学习的方法，本研究在医学图像领域设计了一个基准测试，发现 MixMatch、SimCLR 和 BYOL 方法是强有力的选择，并提供适用于新医学任务的设置以及进一步搜索的方法。

Jul, 2023

该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究，重点讨论了这些技术所面临的关键挑战和未来的发展趋势。

Aug, 2022

本研究探讨了自监督学习作为医学图像分类的预训练策略的有效性，使用领域特定的无标签医学图像进行自监督学习，并引入一种新颖的多实例对比学习 (MICLe) 方法，为医学图像分析中的皮肤病和胸部 X 光分类任务提供了更为准确的预测。

Jan, 2021

基于系统回顾，本文阐述了少样本学习在医学影像识别中的广泛应用，特别是基于元学习的方法，该方法可以克服数据稀缺问题，适应少标注样本，并且常用的技术是监督学习和半监督学习，主要应用领域集中在心脏、肺和腹部等部位。

Sep, 2023

提出了一种基于自监督学习和对抗训练的半监督多任务学习模型，称为 S$^4$MTL，可用于医学成像中的分割和诊断分类任务。实验结果表明，该模型在减少 50% 标签数量的情况下，明显优于半监督单任务、半 / 全监督多任务和全监督单任务模型，并且可以用于解决有限注释问题的联合训练。

May, 2020

本研究通过采用 DINO 框架，尤其是使用非监督式学习中的图像表示来分析了医学图像分类中的无监督深度学习性能，并证明这种方法可以在使用少量标记数据（大约每类 100 个标记样本）的情况下，取得超过现有技术的性能表现。

Apr, 2023

医学图像分析中，深度学习取得了广泛成功，但标注成本高度制约了深度学习的发展，积极学习旨在选择最具信息量的样本进行标注，并尽可能使用尽量少的标记样本训练高性能模型。本综述对积极学习的核心方法、信息量评估和样本策略等进行了详细回顾，首次对积极学习与其他标签高效技术（如半监督学习、自监督学习等）的整合进行了概述，同时还重点介绍了专门针对医学图像分析的积极学习工作。最后，对积极学习在医学图像分析中的未来趋势和挑战提出了展望。

Oct, 2023