混合阶 self-paced 策略课程学习用于全局病变检测
提出了一种新的多任务病变检测方法，应用于多种用于医学成像分析的单病例数据集中，利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释，从而提高三维体积通用病变检测的性能，与当前最先进的方法相比，平均灵敏度提高了29%。
May, 2020
提出了一种基于课程学习的动态难度自适应自监督学习方法，通过增加难度来改进预训练表示，并在组织学图像分类任务中验证了其有效性。
Aug, 2021
本文提出了一种新的自我监督辅助主动学习框架，用于解决生物医学图像分割中标签不足的问题，该方法使用自我监督特征聚类来选择样本，实验证明其可在皮肤病变分割任务上取得显著改进。
May, 2022
本文提出了一个新方法，即基于补充角度余弦相似度度量的补丁水平实体群差异化方法，它使得模型能够学习将类似的代表性补丁聚类在一起，从而提高它们在不同类别之间的分离能力。实验结果表明，我们的方法优于基线架构，对分类、检测和分割任务的准确度分别提高了4%、2%和3%。此外，我们还证明了我们的方法相对于所有SOTA方法具有更好的泛化性，我们的泛化性评估提高了近7%。
May, 2023
该研究提出了一种轻量级的皮肤病变检测流程，应对类别分布不平衡和一些病变的微妙或非典型表现的挑战。该流程基于一种轻量级模型，利用幽灵特征和DFC注意力机制减少计算复杂性同时保持高性能。通过合成少数类过采样技术和各种图像增强技术来解决数据集中的类别不平衡问题。模型还采用基于知识的损失加权技术，在类别级别和实例级别对损失函数赋予不同的权重，以帮助模型关注少数类别和具有挑战性的样本。该模型在检测和分类不同的皮肤病变方面取得了92.4%的准确率，84.2%的精确度，86.9%的召回率和85.4%的F1得分，尤其在识别良性角化病样病变（BKL）和痣（NV）方面表现出色。尽管具有卓越的性能，但该模型的计算成本远低于一些准确度较低的模型，使其成为实际应用中准确度和效率都至关重要的最佳解决方案。
Aug, 2023
这篇研究论文介绍了一种用于医学图像中分类微细病变的细粒度自我监督学习（FG-SSL）方法，通过逐层分块逐渐学习模型，使细粒度拼图与规范原始图像的交叉相关性接近于单位矩阵，并应用于逐步细粒度学习以发现微小差异，该方法不依赖于非对称模型、负采样策略或批量大小，并在使用多种医学图像识别数据集的全面实验中表现出优越性能。
Aug, 2023
通过引入创新的探索式训练方法，结合不完整注释和预测记录来选择可靠的矿化病灶进行重新训练，我们提出的框架在两个医学图像数据集上展现了卓越的性能，超越了现有最优方法。
Sep, 2023
提出了一种临床导向的多级对比学习框架，旨在增强模型提取病变特征和区分病变与低质量因素的能力，从而能够更准确地诊断低质量医学图像的疾病。
Apr, 2024