我们提出了一个新的无监督语义转移模型，包括两个互补模块（T_D 和 T_F），针对内窥镜病变分割，其可确定在标记源病变数据集（例如，胃镜）和未标记的目标疾病数据集（例如，肠镜）之间如何和何时探索可转移领域不变知识。

Apr, 2020

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

本文提出一种半监督学习的语义分割模型，该模型可以将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中，从而显著扩大了深度分割模型在实际应用中的适用范围。该模型由两个互补且可学习的部分组成：标签转移网络（L-Net）和预测转移网络（P-Net）。通过将这两个部分进行整合，可以在 PASCAL VOC 2012 数据集上实现与完全监督基线相近的 96.5％和 89.4％的性能，而只使用 50％和 0％的像素级别注释类别。

Nov, 2017

基于深度学习的自动化血管结构分割为血管疾病的计算机辅助诊断和介入手术提供有益的预防性 CT 扫描，该文章引入了一种基于弱监督框架，通过椭圆拟合和伪标签生成的方法取得了较好的效果。

Feb, 2024

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

通过引入点邻域学习、增强训练监督及扩充数据多样性，我们提出了一种弱半监督方法，名为 Point-Neighborhood Learning (PNL) 框架，用于医学图像中的点注释，显著提高了性能并不改变分割网络结构。

May, 2024

本文提出了一种半弱监督分割算法，基于新的深度监督学习方法和学生 - 教师模型，结合各种监督信号以实现易于集成，有效地减少了昂贵标注的要求。经过实验验证，该算法在视网膜液体分割上取得了成功。

Apr, 2021

3D 医学图像分割是一个具有重要意义的挑战性任务，最近深度学习的进展极大地增强了完全监督的医学图像分割，然而，这种方法严重依赖于费力费时的完全注释的地面实况标签，特别是对于 3D 体积。为了克服这个限制，我们提出了一种新颖的概率感知弱监督学习流程，专门针对 3D 医学成像。我们的流程整合了三个创新的组成部分：一种基于概率的伪标签生成技术，用于从稀疏注释合成密集分割掩模，一种用于我们概率变换网络中强大特征提取的概率多头自注意网络，以及一种基于概率的分割损失函数，以增强具有注释置信度的训练。展示了显著的进展，我们的方法不仅能与完全监督的方法性能相媲美，而且在 CT 和 MRI 数据集上超越了现有的弱监督方法，对于某些器官的 Dice 得分实现了高达 18.1％的提升。代码可在此网址获得：https://URL

Mar, 2024

本篇论文评估了最先进的弱监督语义分割方法在自然场景、组织病理学和卫星图像数据集上的表现，并分析了如何确定哪种方法最适合给定的数据集。结果表明，针对组织病理学和卫星图像的弱监督语义分割面临着与自然场景图像不同的挑战，提出了一些实用技巧并指出需要更多的工作来实现弱监督语义分割的通用方法。

Dec, 2019

提出了一种半监督分割的新方法，使用少量标记数据和对未标记图片与参考像素匹配的方式生成分割标记，可以减少标记工作量，提高现有方法的性能和鲁棒性。

Dec, 2021