本文提出了一种用于医学数据的自监督深度学习的框架，该框架可以联合学习 2D 和 3D 数据，通过用变形注意力机制构建整体特征，并利用预训练语言模型进行掩蔽嵌入预测，提高了 2D Deep-ClusterV2 和 SwAV 的效果，并超越了各种现代 2D 和 3D 自监督学习方法。

Dec, 2022

最近，自监督学习方法已被用于对二维和三维医学图像的分割模型进行预训练。本文提出了一种新的自监督对齐学习框架来预训练医学图像分割的神经网络，其中包括了一个全新的局部对齐损失和全局位置损失。实验结果表明，该对齐学习方法在有限标注的 CT 和 MRI 数据集上与现有的自监督预训练方法具有竞争力。

Jun, 2024

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

本研究提出了一种基于自监督学习的 3D 医学成像的新型框架，即 Rubik's cube ++，通过对 3D 体数据进行体积化转换来更好地利用器官的内在三维解剖信息，可以预先训练 3D 神经网络，在胰腺分割和脑组织分割等各种任务中表现出更好的性能。

Jul, 2020

本研究提出了一种用于半监督医学图像分割的元学习方法，通过先使用少量干净标记图像进行训练来生成未标记数据的初始标签，并引入基于损失梯度方向的像素权重映射系统来进一步优化引导过程。此外，还引入了一种一致性伪标签增强方案来提高模型自身预测的质量，并通过引入平均教师来减少噪声并稳定权重映射的生成过程。实验结果表明，所提出的方法在半监督任务下取得了最先进的结果。

Jul, 2023

本文提出了一个名为 DrasCLR 的新型自监督学习（SSL）框架，采用基于实例鉴别的 SSL 方法，通过两种特定于领域的对比学习策略，在 3D 医学成像中提取具有解析解剖学特定功能的特征，可用于不需要冠军数据来完成许多下游任务，比如肺部图像的预测和分割任务，包括病人存活预测任务和广泛且密集预测的肺气肿子类型检测，这可以大大减少注释精力，并且证明了在自监督学习框架中引入解剖上下文的重要性。

Feb, 2023

本研究提出一种卷积神经网络和自监督学习的方法，用于在有限标记数据情况下进行高效的三维到二维分割，通过在临床相关任务中验证，证明该方法比现有技术在有限标记数据情况下显著提升了分割性能，并且自监督学习方法可以进一步提高性能，而且对于网络架构无关。

Jul, 2023

通过自监督框架学习适用于密集下游任务的体素级粗细粒度表示，通过平衡多尺度特征的贡献，确保学习到的表示捕捉到粗粒度和细粒度的细节，并在有限的注释数据下持续优于基准模型。

Jan, 2024

本研究提出了一种新的自我监督学习框架 ——Alice，旨在针对医学图像领域中异构数据及医学结构的特殊性，明确实现解剖不变性建模和语义对齐，其中主要涵盖对比学习策略及条件解剖特征对齐模块，进一步提高了 3D 医学图像分割下的性能表现，超过之前的同类方法。

Feb, 2023

通过提出聚合和解耦框架，本文旨在开发一种通用的半监督学习框架，以解决三个不同背景下的问题：分布不变特征的捕获能力弱以及在训练过程中未标记数据被标记数据所压倒引起的过拟合问题。所提出的框架在四个基准数据集的评估中表现出显著的改进，证明其在更具挑战性的半监督学习场景中的潜力。

Oct, 2023