通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

Sep, 2019

利用自我监督学习和对比学习的方法，在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型，旨在推进我们对对比学习框架的理解。具体而言，我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官（如肺和心脏）的超声图像以及大量的自然图像。我们的结果表明，与监督基线方法相比，传统的对比学习预训练可以提高性能。此外，我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明，预训练多器官数据可以提高下游任务的性能。

Feb, 2024

本文研究了两种预训练方法（回归损失和对比损失）对深度学习模型在磁共振成像下的肝脏分割和前列腺分割应用中的效果，并发现自我监督预训练减少了标记数据的需求，且基于对比损失的预训练的初始化效果更好。

May, 2022

介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

Jun, 2022

本研究介绍了一种新的端到端后模态配对学习方法，它利用了不同模态功能，捕获了多模态之间的复杂关系和丰富信息，并通过平均多个模型和一些后处理技术获得了较好的脑肿瘤分割性能，最终在 BraTS 2020 挑战赛获得了肿瘤分割任务的第二名。

Oct, 2020

文章提出了一种基于位置的对比学习 (PCL) 框架，用于从未标记的医学图像数据中生成对比数据对，以改善在医学图像分割中存在的假阴性对的问题，并在 CT 和 MRI 数据集上得到了实验验证。

Jun, 2021

通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

May, 2024

设计深度学习算法用于腺体分割对于自动癌症诊断和预后至关重要，然而昂贵的注释成本阻碍了该技术的发展和应用。本文首次尝试探索用于无监督腺体分割的深度学习方法，无需手动注释。为了克服语义分割方法在腺体图像上遇到的挑战，我们引入了关于腺体形态的经验性线索作为额外知识来指导分割过程。我们提出了一种新颖的基于形态学启发的选择性语义分组方法，通过该方法，最终分割网络能够学习关于腺体的综合知识，并产生清晰完整的预测。在 GlaS 和 CRAG 数据集上进行实验，我们的方法在 mIOU 上超过次优方法 10.56%。

Jul, 2023

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

通过提出的 DEA 模型，我们可以实现对病理图像上的腺体进行准确自动的分割，帮助病理学家诊断结直肠腺癌的恶性程度。实验证明，我们的方法在两个公共数据集 GlaS 和 CRAG 上的表现优于其他腺体分割方法。

Jan, 2024