该研究使用 Signed Distance Map 直接从医学扫描中学习目标器官的形态，实现了更好的器官分割性能和更好的平滑度。通过同时预测 SDM 和分割地图，该方法将传统分割训练信息的补充信息引入，验证表明其比现有技术提高了 5% 以上的 Dice 系数并产生了更平滑的分割结果。

Dec, 2019

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

本文提出了一种新颖的面向实例的方法，用于 3D 语义分割，通过结合几个在实例级别监督的几何处理任务来促进学习到的特征表示的一致性，具体方法使用形状生成器和形状分类器来执行每个形状实例的形状重建和分类任务，从而使特征表示能够忠实地编码结构和局部形状信息，并意识到形状实例。在实验中，我们的方法在多个公共基准数据集（如 Waymo Open Dataset、SemanticKITTI 和 ScanNetV2）上明显优于现有的 3D 语义分割方法。

Nov, 2023

提出一种半监督三维重建框架 SSP3D，引入基于注意力引导的原型形状先验模块、鉴别器引导模块和正则化器来实现更好的形状生成，在 ShapeNet 基准测试中，在不同标注率下，性能均明显优越，并且对于少量有标注数据的新类别也能够取得很好的成果。

Sep, 2022

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

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

基于形状先验的半监督学习方法通过使用形状模型，只需要少量的实际或合成形状数据，从而实现与全面访问训练数据的监督方法相媲美的结果，并在三个数据集上优于预训练的有限领域特定训练数据的监督模型。

Sep, 2023

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

最近，基于机器学习的语义分割算法展示出了在医学图像中精确分割区域和轮廓的潜力，从而能够准确定位解剖结构和异常情况。然而，由于训练数据的有限性，过拟合几乎是不可避免的。因此，本研究引入了一种名为 SM2C 的新方法，通过扩大图像尺寸、多类别混合和目标形状抖动等策略，提高了在医学图像中学习语义特征的能力，通过丰富每个样本中的语义信息和多样化分割对象的形状，SM2C 展示了其在未标记数据训练中的潜力。大量实验证明了 SM2C 在三个基准医学图像分割数据集上的有效性，该提出的框架在先进技术对手中显示了显著的改进。

Mar, 2024

本文研究在自动驾驶应用中对动态场景中的 3D LiDAR 数据进行语义分割。通过使用 3D LiDAR 数据，构建了一个包括范围图像分割、样本生成、数据关联、跟踪级别注释和半监督学习等方面的语义分割系统，使用半监督学习并结合约束数据和少量标注数据对 CNN 分类器进行训练，设计了一种特殊的损失函数，其中鼓励将约束数据分配到同一语义类别。实验表明，少量标注和大量约束数据的组合显著提高了该方法的有效性和场景适应性，效果比以往的方法提高了 10% 以上。

Sep, 2018