本研究提出了一个新颖的主动学习框架，利用Monte Carlo取样的Dropout来建模像素级别的不确定性，并分析图像信息，以有效地训练医学成像的卷积神经网络进行语义分割，且仅需要一个有限的标记训练数据。

Nov, 2017

本文介绍一种基于半监督学习的皮肤病病变分割新方法，通过标记和未标记数据的加权结合优化神经网络，通过不同正则化方法提高像素级预测效果，实现对少量标记数据进行高效训练，并在ISIC 2017皮肤病病变分割竞赛中取得2000个标记数据以下更好的性能。

Aug, 2018

本文介绍了一种应对皮肤癌症深度学习自动诊断中皮肤病变分割和分类的方法，提出了一种相互促进的 MB-DCNN 模型，通过皮病分割和分类模型相互学习，在减少耗时同时保证准确度，处理各种不同的皮肤科学数据，极大提高了皮肤病变分类的精度。

Mar, 2019

通过更少的数据选择培训样本，并将地面真实掩码的条件化来消除过度细节，探讨了分割可以改善的可能性，发现样本选择和详细程度的删除分别对应于选择更好的深度学习模型的12％和16％。

Apr, 2020

本文比较了三种自监督预训练模型和一个有监督的基线模型，在五个数据集上进行了皮肤病变的诊断。结果表明，自监督预训练模型可以在提高准确性和降低结果的变异性方面与有监督的基线模型相媲美，尤其在数据量少的情况下表现更加稳定和优秀。

Jun, 2021

本文提出了一种基于区域的主动学习方法，可以更高效地训练监督分割模型，以实现乳腺癌转移细胞分割的任务，并在公共数据集（CAMELYON16）上验证了这种方法的有效性。

Jul, 2023

医学图像分割是医学图像分析中的关键任务。近年来，基于深度学习的方法在完整注释数据集上训练时展现出出色的性能。然而，数据注释往往是一个重要的瓶颈，特别是对于3D医学图像。主动学习是一种有效注释的有希望的解决方案，但需要一组初始标记样本来开始主动选择。当整个数据池是无标签的时候，我们该如何选择样本作为初始集合进行注释？这也被称为冷启动主动学习，只允许一次向专家请求注释而无法获得先前已注释数据的访问权限。冷启动主动学习在许多实际场景中都非常相关但却鲜有深入探讨，特别是对需要大量注释工作的3D医学分割任务来说。在本文中，我们通过在公开的医学分割Decathlon数据集中评估六种冷启动主动学习策略上的五个3D医学图像分割任务来提出了一个名为COLosSAL的基准测试。我们进行了详尽的性能分析并探讨了冷启动主动学习的一些重要问题，如不同策略对预算的影响。我们的结果表明，对于3D分割任务而言，冷启动主动学习仍然是一个未解决的问题，但也观察到了一些重要的趋势。我们公开提供了完整基准测试的代码存储库、数据划分和基准结果。

Jul, 2023

无监督皮肤病变分割，采用Uncertainty Self-Learning Network自学习网络，通过对比学习提取特征，生成基于显著性的Class Activation Maps，利用这些特征实现有效的皮肤病变分割，通过连接性检测、优先级检测和循环优化进一步提高性能。

Sep, 2023

通过选择性基于不确定性的主动学习方法，优先考虑目标区域和决策边界附近的像素，提高医学图像分割的性能和效率。

Jan, 2024

我们提出了一个联邦主动学习（FedAL）框架，通过在医学图像分析中周期性和交互式地执行主动学习，从而减少标注数据量、保护患者隐私，并保持联邦学习的性能。在真实的皮肤镜数据集上验证了我们的框架，在只使用50％的样本的情况下，在皮肤病变分类任务上取得了与全数据联邦学习相媲美的性能。

Jun, 2024