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
本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和/或数据层扰动-变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。
Sep, 2020
本文提出了一种新颖的互相关网络（MC-Net+），通过有效地利用未标记数据进行半监督医学图像分割。我们在三个公共医学数据集上比较了我们 MC-Net+ 模型的分割结果与五种半监督方法的结果，实验表明我们的模型在半监督下分割效果最优，树立了半监督医学图像分割的新标准。
Sep, 2021
该研究提出了一种在医学图像中使用的半监督图像分割方法SS-Net，利用像素级的平滑性和类间分离来实现更好的效果。该方法在两个半监督设置下的实验结果表明了其卓越性能，并取得了最新的最佳表现。
Mar, 2022
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
提出一种用于半监督医疗图像分割的简单而有效的方法 DPMS，重点在于通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升了 SSMIS 的性能。
Aug, 2023
基于平均教师模型的双解码器一致性伪标签引导数据增强方法（DCPA），结合一致性正则化、伪标签和数据增强，以增强半监督分割的效果。通过学生模型和教师模型，共享编码器和两个不同的解码器，增加学生模型训练时的一致表示生成，通过混合数据实现数据增强，并利用教师模型生成伪标签进行无监督损失计算。与六种半监督方法在三个公开医学数据集上进行对比，实验证明我们的方法在三种半监督设置下一致优于现有的半监督医学图像分割方法。
通过引入新的交叉对抗局部分布（Cross-ALD）正则化方法，进一步增强医学图像半监督分割任务中的平滑性假设，本文在公共LA和ACDC数据集上进行了全面的实验，并取得了最先进的性能。
Oct, 2023
本研究解决了现有混合操作在半监督学习中的局限性，提出了一种自适应混合算法（AdaMix），通过自适应控制扰动强度以增强一致性学习的有效性。实验证明，该方法在医学图像分割任务中展现出优越的性能，相较于最先进的方法显著提升了分割准确率和平均表面距离。
Jul, 2024
本研究解决了半监督医学图像分割中关于扰动策略的不足。提出了一种基于模型注意力的扰动方法，通过增强一致性正则化来处理医学图像的复杂结构和高维语义。实验结果表明，该方法在基准数据集上取得了最先进的性能，ACDC数据集的Dice分数达到90.4%。
Oct, 2024