本文介绍一种创建数据清理的分割的方法，通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性，并保持时间 / 精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法，同时还能最大限度地减少获取高质量训练数据的成本和精力。

Apr, 2023

本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法，该方法在三个公共医学影像分割数据集上表现良好，尤其是在注释数量较少且出现较大不一致性的情况下。

Jul, 2020

该论文研究利用新的数学和优化方法来解决基于深度学习的医学图像分割方法在图像获取协议和图像解剖变异性方面的限制，以减少需要手动标记成本高昂的问题。

May, 2023

基于深度学习的医学图像自动分割系统面临大量数据标注成本和模型迭代中的高延迟问题，本研究提出了一种动态交互学习框架，通过将交互式分割与端到端弱监督学习和流式任务集成，解决了这些挑战。我们开发了新颖的重放和标签平滑方案，克服了灾难性遗忘并提高了在线学习的鲁棒性，并在每个图像上同时优化前端预测和深度学习分段器的多轮交互式分割模块。通过空间残差图，我们训练的分段器明确地指导下一步的用户干预，从而实现了弱监督信号的蒸馏。通过在三维分割任务（NCI-ISBI2013 和 BraTS2015）上的评估，我们的框架生成了与离线训练基准相匹配的在线学习性能。此外，我们的框架减少了 62% 的标注工作量，并且在与具有完整 ground truth 的在线和离线学习进行对比时，生成了具有竞争力的 dice 分数。此外，由于其灵活性和响应能力，这样的框架可以部署在保证数据安全和简便维护的医院防火墙之后。

Dec, 2023

通过数值实验在合成和真实场景中展示了我们的方法能够在没有真实标签的情况下成功预测公平性问题，这在该领域中是一种新颖且有价值的工具。

Sep, 2023

通过允许专家在数据集生成过程中融入领域知识，我们提出了一种用于细胞分割的合成数据集生成方法，可以有效地训练深度学习实例分割模型，克服了医学领域中稀缺且昂贵的注释数据的限制。

Jun, 2024

本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

Mar, 2022

建立了一种深度学习方法，探索了稀疏标注，即每个 3D 训练 MR 图像只有一个 2D 切片进行标注，与 ICT 相比，该方法在分割准确性方面取得了显著提升，对于前列腺分割，平均 B-IoU 增加了 10.0% 以上（提出的方法 B-IoU：70.3% vs. ICT B-IoU：60.3%），对于左心房分割，平均 B-IoU 增加了 6.0% 以上（提出的方法 B-IoU：66.1% vs. ICT B-IoU：60.1%）。

Dec, 2023

本研究提出了一种无监督领域适应方法，用于自动生成乳腺超声成像中乳腺病变感兴趣区域（ROIs）的图像掩膜。我们的半监督学习方法利用在带有真实注释的小型公共乳腺超声数据集上训练的原始模型，针对领域适应任务进行迭代改进，生成私人未标记乳腺超声数据集的伪掩膜。该数据集的大小是公共数据集的两倍，并在图像采集角度和人群代表性方面具有相当的变异性，具有领域转移的挑战。与典型的领域对抗训练不同的是，我们使用下游分类结果作为基准，指导随后迭代中伪掩膜的更新。我们发现分类精度与生成的 ROIs 的完整性之间高度相关，促进了深度学习分类模型的解释性。初步研究结果证明了这种方法在简化 ROI 注释过程，从而增强乳腺病变的分类和定位以进行更精确和可解释的诊断方面的效果和可靠性。

Apr, 2024

本文提出了一种基于深度神经网络的技术，通过在双目成像系统的光圈平面引入相位掩膜，创造了一个深度相关的点扩展函数，从而克服了传统立体成像中成像体积和信噪比之间的基本折衷，从而获得了较为显著的扩展景深和更清晰的图像纹理，通过理论分析和实验验证，表明该技术可以在成像体积方面提高 6 倍左右。

Apr, 2021