本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

Jun, 2020

提出了一种名为 JCL 的新型不对称对比学习框架，用于医学图像分割的自监督预训练，多级对比损失设计确保了编码器和解码器在预训练期间可以学习到多级表示，实验证明该框架优于现有的对比学习策略。

Sep, 2023

本文提出了一种利用元标签注释的对比学习方法，用于医学影像分割中模型表现的优化。模型在预训练和半监督训练中使用元标签注释，并采用自适应学习方法消除噪声标签，实验结果表明这种方法在几个数据集下表现优异。

Jul, 2021

利用病理学诊断等高置信度标签难以获取而成本高昂，故提出了一种基于弱标签和空间上下文的弱监督位置对比学习策略，通过泛化的基于核的损失函数整合了每个 2D 切片的空间上下文和弱标签，将其应用于肝硬化预测中，相对于基线模型在内部数据集上的分类 AUC 提高了 5％，在公共 LIHC 数据集（Cancer Genome Atlas）上提高了 26％。

Jul, 2023

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

本研究提出了一种名为 CL-TCI 的对比学习框架，与 MoCo 和 SimCLR 两种方法相结合，利用医学图像中的时间相关性信息，成功地使得在三个胸部 X 射线数据集上的肺部分割结果优于没有任何时间相关性的对比学习基线。

Sep, 2021

本文研究将对比学习应用于医学图像分析领域，发现在医学图像上应用最先进的对比学习方法 MoCo v2 存在维度坍缩问题，并提出了局部特征学习和特征去相关两项关键贡献，实验证明这两个贡献显著提升了模型在医学分割任务的性能。本研究突显了将自监督学习技术有效适应医学图像任务特征的重要性。

Feb, 2024

通过提出的 Gradient Mitigator 方法，我们解决了梯度引导的方式下不相容的多角度元标签之间的 “语义矛盾” 问题，并开发了一种名为 Gradient Filter 的新方法，根据梯度幅度动态筛选具有最具区分性能量的像素对，从而使得经过预训练的模型实现更好的高级语义识别能力。综合实验验证了我们的新方法 GCL：（1）学习了信息丰富的图像表示并显著提高了使用有限标签的分割性能，（2）在分布不一致的数据集上展示了良好的泛化能力。

Sep, 2023

提出了一种名为 PCLMix 的新型弱监督医学图像分割框架，通过引入动态混合增强、像素级对比学习和一致性正则化策略，解决了弱监督图像分割中局部到全局区域的准确传播监督信号的挑战，并成功缩小了弱监督和全监督分割方法之间的差距。

May, 2024

本文提出了一种基于对比度学习的语义分割训练策略，使用像素级和标签基础对比损失的方法，能够在减少标记数据的情况下提高性能，并通过 Cityscapes 和 PASCAL VOC 2012 数据集的实验证明了该方法的有效性。

Dec, 2020