本研究介绍了一种新颖方法，通过结合空间和频谱表示来增强领域通用医学图像分割的能力，并引入了创新的谱相关系数目标函数来提高模型对中阶特征和上下文长距离依赖关系的捕捉能力。大量实验证明，优化该目标函数能显著提高 UNet 和 TransUNet 等现有架构的泛化能力、解释能力和噪声鲁棒性，生成更可信的预测结果。

Jan, 2024

本文提出了一种 MCSC 框架，联合训练 CNN 和 Transformer 模型，并采用多尺度交叉监督对比学习来对医学图像进行结构分割。实验证明，该方法在 Dice 系数上比现有的半监督方法提高了 3.0% 以上，并且大大缩小了与全监督方法之间的性能差距。

Jun, 2023

本文提出了一种新颖的语义和空间自适应（SSA）分类器，通过使用从固定原型获得的粗略掩码作为指导，在测试图像的语义和空间领域调整固定原型，从而同时考虑语义和空间领域中的自适应原型以完成分类决策，文章实验证明 SSA 显著提高了基线模型的分割性能，且计算成本仅略有增加。

May, 2024

提出一种新型半监督语义分割方法，结合像素级 L2 损失和像素对比损失以实现两个分割模型规则：图像增强之间的标签空间一致性性质和不同像素之间的特征空间对比性质，采用 DeepLab-v3+ 结构和多个数据集进行了广泛的实验，表现出最先进的性能。

Aug, 2021

本文提出了 SCP-Net 方法，利用多个输入源提高一致性学习中预测的多样性，结合半监督方法和自我感知一致性学习方法，提高伪标签的紧致性和可靠性。实验表明，SCP-Net 可以优于其他半监督分割方法，相比于有限的有监督训练，可以显著提高性能。

May, 2023

提出了一个利用对比学习实现像素级别度量学习的语义分割框架，能够从全局上探索标记像素的结构，并在多个数据集上带来了显著的性能改进。

Jan, 2021

textSCF 是一种新方法，通过整合空间协变滤波器和由视觉语言模型编码的解剖学区域的文本提示，从而在形变图像配准方面实现了良好的性能。它通过捕捉解剖区域之间的上下文相互作用，提供了令人印象深刻的区域间可转移性，并能在配准过程中保留结构性不连续性。在腹部图像配准任务中，textSCF 的较大模型变体相对于第二好的模型，将 Dice 系数提高了 11.3％，而较小模型变体则在保持类似准确性的同时，网络参数减少了 89.13％，计算操作减少了 98.34％。

Nov, 2023

利用病理学诊断等高置信度标签难以获取而成本高昂，故提出了一种基于弱标签和空间上下文的弱监督位置对比学习策略，通过泛化的基于核的损失函数整合了每个 2D 切片的空间上下文和弱标签，将其应用于肝硬化预测中，相对于基线模型在内部数据集上的分类 AUC 提高了 5％，在公共 LIHC 数据集（Cancer Genome Atlas）上提高了 26％。

Jul, 2023

开发了一种名为 SCP-Diff 的方法来解决语义图像合成中存在的两个主要问题，即大型语义区域内的奇怪子结构和内容与语义掩码的不一致，并在 Cityscapes 和 ADE20K 上取得了卓越成果。

Mar, 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