本文介绍一种基于半监督学习的皮肤病病变分割新方法，通过标记和未标记数据的加权结合优化神经网络，通过不同正则化方法提高像素级预测效果，实现对少量标记数据进行高效训练，并在 ISIC 2017 皮肤病病变分割竞赛中取得 2000 个标记数据以下更好的性能。

Aug, 2018

本文介绍了一种基于半监督学习的医学图像分割方法，利用弹性变形实现了对有标签和无标签图像的变换一致性学习，通过在公共数据集上的测试，该方法达到了与同类方法相当的性能表现，并且使用了大为较少的有标签数据。

Nov, 2019

本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和 / 或数据层扰动 - 变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。

Sep, 2020

我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法，最终纠正错误的预测结果，通过有针对性的验证训练过程识别不一致预测的区域并进行微调，从而提高上下文信息的利用；此外，为了自适应地调整网络的表示能力并降低预测不确定性，我们采用了自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测；我们的实验结果来自于临床 MRI 和 CT 扫描的器官分割，与最先进的方法相比，证明了我们方法的有效性。

Nov, 2023

本文提出了一种新颖的正则化策略，包括基于插值的混合策略，以此来解决医学图像分割任务中像素级注释不足的普遍问题。实验证明该方法比现有的半监督模型更具优越性，且不需要额外的计算。

Feb, 2022

本文提出了一种基于关系推理的半监督框架，用于医学图像分类，可通过鼓励输入数据的预测一致性来利用未标记的数据，同时使用自组合模型产生高质量的一致性目标，通过建模不同样本之间的关系信息有效地利用标记数据。该框架明确在扰动下相对于单个预测的语义关系的一致性，鼓励在未标记的数据中探索额外的语义信息。经实验评估，该方法在单标签和多标签图像分类场景中优于许多半监督学习方法。

May, 2020

本研究中，我们对自我集成方法进行了扩展，探讨了多个方面，证明自我集成即使在使用少量非标记数据时也能提高模型的泛化能力，从而在医学成像应用中解决了单一领域下模型泛化的问题。

Nov, 2018

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

通过使用自监督算法 S³-Net 结合 Inception Large Kernel Attention（I-LKA）模块、可变形卷积和空间一致性损失项，本研究提出一种精确医学图像分割方法，并在皮肤病变和肺器官分割任务中展现了超越 SOTA 方法的卓越性能。

Aug, 2023

通过整合各种任务到一个统一模型并利用大量未标记数据来进行半监督医学图像分割，我们介绍了一个名为 VerSemi 的全新的多功能半监督框架，实验证明它在公共基准数据集上始终可以通过较大的边际优势（例如，在四个数据集上平均达到 2.69％的 Dice 增益）超越其他方法，为半监督医学图像分割设定了新的最佳表现。

Nov, 2023