数字显微镜中的自我监督学习对图像分割具有重要意义，采用了对预任务相似的无标签数据进行内在特征学习的方法，通过像素减少和图像模糊等增强技术，能够在相对较小和更大的数据集上优于传统的监督学习方法，得到更高的 F1 得分。

Nov, 2023

本文提出了一种使用生成对抗网络（GAN）进行电子显微镜（EM）图像分割的方法，分为两个阶段：第一阶段是合成标签 “图像”，第二阶段是 EM 图像合成，从而实现标签 - 图像配对的完整模型，该方法可以通过不同的评估手段（如形状特征和全局统计量、分割准确性、用户研究）获得准确且逼真的合成 EM 图像。

Mar, 2020

本研究提出了一种使用合成 3D 体积进行深度学习核分割的方法，通过空间约束的对抗网络生成一组合成 3D 体积和相应的地面真实数据集，对各种数据集成功地完成了核分割任务。

Jan, 2018

本研究介绍了弱监督学习方法在超分辨显微镜技术中的应用，探讨了其加速探索亚细胞大分子和细胞器分子结构的潜力。

May, 2023

本文提出了一种元学习的方法，通过利用来自不同领域的标注图像数据集和目标领域内有限数量的标注图像数据集来训练通用、适应性强的少样本学习模型，来解决显微镜图像中的细胞分割问题。实验表明，使用标准分割神经网络体系结构，1 到 10 个数据样本的元学习结果有很好的表现。

Jun, 2020

本文提出了一种自监督学习框架，通过对卷积神经网络进行尺度三元组学习和数量排序等两个子任务，隐式地利用细胞核大小和数量的先验知识，从原始数据中挖掘出特征表示，最终在公开数据集上取得了非常好的结果，大大提高了细胞核实例分割的准确性。

Jul, 2020

通过自监督学习从未标记的电子显微镜数据集中提取关键信息，并展示了自监督预训练在语义分割、去噪、去除噪音和背景、超分辨率等多个下游任务中的优势，尤其对于有限的标注数据和计算成本的高效扩展，通过实验证明了自监督预训练的灵活性和可靠性。

Feb, 2024

本文介绍了一种基于深度学习的微观细胞图像语义分割，提出了针对数据量少的高效学习框架，并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明，与传统方法相比，提出的方法提高了 Dice 系数 (DSC)。

Apr, 2023

本文提出了一种基于自学习的方法，即协同知识共享，用于在单细胞分割模型的弱监督训练中，通过共享主模型和轻量级协作者模型之间的知识来缓解大规模训练数据的需要。实验结果表明该方法在不需要大规模手动标注训练数据的情况下，能够取得较好的单细胞分割效果。

Apr, 2023

提出了一种基于决策的掩蔽图像模型（drawing-based mask image model, MIM）方法，利用强化学习自动搜索最佳图像掩蔽比例和掩蔽策略，并通过多主体协作捕捉体素间的依赖关系，从而在神经元分割任务上显著优于其他自我监督方法。

Oct, 2023