本文提出了一个新的基于模型适应和模型融合的双阶段方法，该方法利用现成的单器官分割模型来开发适用于目标数据集的多器官分割模型，从而消除了多器官分割中对有标注数据依赖的问题。实验结果表明，此方法可以有效地利用现成的单器官分割模型来获得高准确度的多器官分割模型。

Apr, 2023

本文提出了一种多器官分割模型的学习方法 -- 多教师单学生知识蒸馏（MS-KD）框架，并提出了一种区域监督方法，在多个单器官数据集上进行了广泛实验，证明了该框架的有效性。

Aug, 2021

本文提出了先验知识神经网络 (PaNN) 方法来解决多器官 CT 分割中部分标记数据集的背景模糊问题，PaNN 应用了解剖先验知识指导训练。在 MICCAI2015 挑战中，PaNN 模型取得了 84.97% 的平均 Dice 分数，超过之前的最优结果 3.27%。

Apr, 2019

利用自我监督学习和对比学习的方法，在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型，旨在推进我们对对比学习框架的理解。具体而言，我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官（如肺和心脏）的超声图像以及大量的自然图像。我们的结果表明，与监督基线方法相比，传统的对比学习预训练可以提高性能。此外，我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明，预训练多器官数据可以提高下游任务的性能。

Feb, 2024

本文提出了一种多尺度深度神经网络结构，利用多个部分标注的数据集进行多器官图像分割的训练，采用金字塔输入和特征分析结合的方法解决了来自不同尺度的特征融合所带来的语义鸿沟问题，并引入深度监督机制和自适应加权层，通过实现了 Pyramid Input Pyramid Output Feature Abstraction Network (PIPO-FAN)，在四个公开数据集上达到了非常好的效果。

Jan, 2020

本文提出了一种用于连续器官和肿瘤分割任务的创新结构，包括一系列轻量级的、类特定的输出头，以及将对比语言 - 图像预训练嵌入到器官特定的头中。实验结果表明该方法在学习过程中提高了基线神经网络对新引入和先前学习类别的分割性能。

Jun, 2023

本文提出了一种基于 3D 少样本学习的器官分割框架，通过学习支撑数据的 2D 片段与查询图像之间的关系，包括一个学习编码特征的双向门控循环单元（GRU），以及在使用任意支撑和查询数据之前通过迁移学习方法更新模型来适应目标图像和器官的特征。在三个 3D CT 数据集上测试，该模型的性能显著优于最先进的少样本分割模型，并且与使用更多目标训练数据训练的完全监督模型相当。

Nov, 2020

本文提出了一种深度多平面协同训练（DMPCT）模型，以实现半监督医学图像分割问题。实验结果表明，DMPCT 显著优于全监督方法，特别是在使用少量注释时。

Apr, 2018

本文提出了一种名为 COSST 的新型训练框架，通过自我训练有效而高效地集成多种监管信号，并通过潜在空间的异常检测来减轻伪标签的性能下降，进而在各种分割任务中实现了显着的性能改进。

Apr, 2023

本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

Feb, 2024