血管分割在医学成像中是诊断血管疾病和介入规划的重要步骤，但由于细微分支和复杂结构，手动标注血管掩膜具有挑战性和资源密集性。为了克服这个问题，本文提出了一种自学习的血管分割方法，即对比扩散对抗表示学习（C-DARL）模型。通过扩散模块和生成模块将多领域的血管数据分布学习到扩散潜变量中，从中生成合成的血管图像，通过基于掩膜的对比损失实现对比学习，从而使模型能够学习更真实的血管表示。通过使用冠状动脉血管造影、腹部数字减影血管造影和视网膜成像等各种血管数据集进行训练和验证，实验结果表明，我们的模型在噪声鲁棒性上取得了性能提升，证明了 C-DARL 在血管分割中的有效性。

Jul, 2023

该研究提出了一种简单而强大的对比学习框架，用于医学图像分析中的无监督领域自适应，在标记的源分布和未标记的目标分布之间缩小域间差距。实验证明，该方法可以从标记的 3DRA 模态数据中学习潜在特征，并改善未标记的 MRA 模态数据中的血管分割性能。

Feb, 2024

准确分割脑血管对于脑血管疾病的诊断和治疗至关重要。本文提出了一种自适应半监督方法，通过创新的技术，包括渐进式半监督学习、自适应训练策略和边界增强，解决了存在的小血管捕捉和部分或模糊标注数据处理的挑战。实验结果表明，我们的方法在基于网格的分割度量方面具有优越性。通过利用部分和模糊标记的数据对主要血管进行标注，我们的方法在错标细小血管的分割性能方面取得了令人瞩目的成果，展示了其在临床应用中的潜力。

Aug, 2023

本文提出了一种对比变分自编码器，可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管，并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高，可以在不同的目标领域生成稳定的血管造影，提供了一种良好的可视化方法，是荧光素血管造影的一个无创、安全的替代方法。

Jul, 2023

通过提出一种新颖的去噪扩散概率模型（DDPM），该研究优于基于生成对抗网络（GAN）的图像合成方法，结合 Retinal Trees 数据集和 DDPM 算法，生成了视网膜图像和血管树的合成样本，并通过各种评估指标对该数据集进行了定量和定性的评估。

Aug, 2023

我们提出了一种新的医学图像一次性分割方法，采用对抗训练和标签错误矫正，以增强生成数据的多样性和改进分割性能。实验结果表明，该方法在分割中的 Dice 分数上优于现有最先进方法。

Sep, 2023

本文提出了一种新颖的无监督领域自适应方法，它基于空间结构关系进行多模态医学图像分割，能够在未使用目标域数据进行训练的情况下提高目标数据集的性能，包括采用拼图任务构建空间关系和超分辨率网络标准化等措施。

May, 2020

本研究提出了一种采用对抗网络的半监督语义分割方法，通过设计全卷积判别器，辅以标准交叉熵损失，实现对未标记图像的信任区域的发现，提高了分割准确性。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验证明了该算法的有效性。

Feb, 2018

本文提出了一种简单的对比去卷积 (SimCVD) 框架，旨在显著提高状态 - of-the-art 体素级表示学习。SimCVD 通过蒸馏配对相似，提升了分割准确性，可用于医学图像合成、增强和配准等下游任务中。

Aug, 2021

本文提出了一种对神经网络进行医疗图像分割的对抗性数据增强方法，生成真实信号失真来模拟由一种常见的造影剂称为偏差场引起的强度不均匀性，该方法可用于有监督和半监督学习中的一般分割网络的插件模块，并且在低数据情况下显著提高了模型的泛化能力和鲁棒性。

Jun, 2020