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

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

本研究提出了一种基于几何变换的一致性约束正则化半监督图像翻译算法，在图像着色、去噪和超分辨率等数据敏感任务中，表现出仅需约 10-20% 有标注样本数量就能与标注样本量一样优秀的表现，同时可在视频处理任务中大幅提升质量。

Jul, 2020

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

该研究提出了一种自动化数据增强方法，用于合成标记的医学图像，该方法可用于磁共振成像（MRI）的脑部扫描分割任务。该方法利用半监督方法，从未标注的扫描中学习图像变换模型，并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练相比目前的一次性生物医学图像分割方法，有明显的改进。

Feb, 2019

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

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

本文提出了一种新型的基于交叉一致性的半监督语义分割方法，其中共享编码器和主解码器进行有监督训练，利用无标签数据来提高编码器的表示，该方法简单易懂，并且在多个数据集上实现了最先进的结果。

Mar, 2020

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

通过在混合和原始样本的跨区域整合证据预测结果，重分配每个体素的置信度和不确定度度量，结合信息熵设计了体素级渐进学习策略以更加准确地估计体素的预测结果。实验结果表明，我们提出的方法在 LA、胰腺 CT、ACDC 和 TBAD 数据集上相对于现有技术取得了卓越的性能。

Apr, 2024