Self-supervised Anatomical eMbedding (SAM) is introduced to extract semantic embeddings for imaging pixels with intrinsic structures, which can be used to locate body parts in other images by nearest neighbor searching, surpassing supervised methods trained on 50 labeled images with only one labeled template image and being effective in improving image registration and initializing CNN weights.

Dec, 2020

本文提出了ACTION模型，它是一种半监督医学图像分割的鲁棒性框架，通过 contrastive distillation算法及主动采样罕见的负例像素达到了更好的分割效果，并且可以应对医学图像标记分布不均的问题。实验表明，ACTION显著优于现有半监督方法的效果。

Jun, 2022

本文介绍了一种针对医学图像分割的半监督学习框架，名为“Mine yOur owN Anatomy ”（MONA），通过使用更强的数据增强和最近邻等方法，可以有效地处理数据不平衡（tailness）和内部差异（consistency），提高医学图像分割领域的性能。同时，MONA可以在无监督的情况下将医学图像分解为一组解剖特征，并在不同的标签半监督设置下，取得了新的最优性能。

Sep, 2022

通过使用自监督算法S³-Net结合Inception Large Kernel Attention（I-LKA）模块、可变形卷积和空间一致性损失项，本研究提出一种精确医学图像分割方法，并在皮肤病变和肺器官分割任务中展现了超越SOTA方法的卓越性能。

Aug, 2023

通过自我监督学习策略，利用人体解剖的分级性质和组成性，该模型提供了与全/自我监督方法相比改进了9%到30%的分割任务性能以及增强了注释效率，并且能够更好地理解人体解剖学。

Sep, 2023

我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法，最终纠正错误的预测结果，通过有针对性的验证训练过程识别不一致预测的区域并进行微调，从而提高上下文信息的利用；此外，为了自适应地调整网络的表示能力并降低预测不确定性，我们采用了自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测；我们的实验结果来自于临床MRI和CT扫描的器官分割，与最先进的方法相比，证明了我们方法的有效性。

Nov, 2023

我们介绍了一种快速而准确的无监督三维医学图像配准方法，利用自我监督的解剖嵌入（SAM）算法在像素级别计算两幅图像之间的密集解剖对应关系，并通过提供更为一致的对应关系和更好的语义引导特征来增强配准步骤，从而显著优于基于数值优化的方法。

Nov, 2023

基于自我监督解剖嵌入（SAM）的SAMv2是一个统一的框架，通过学习外观、语义和跨模态的解剖嵌入，克服了医学图像分析中的挑战，提供了一种在基于标志点的医学图像分析任务中表现优异的方法。

Nov, 2023

通过视觉语言预训练学习医学视觉表示已取得显著进展，本研究提出了一种以解剖结构为指导的框架（ASG），以解决局部对齐的可解释性和临床相关性不足，以及图像-报告对的内外表示学习不足的问题。通过自动解剖句子对齐，并将发现和存在视为图像标签，该方法在五个公共基准数据集上展示出优于现有方法的实验结果。

Mar, 2024

最近，自监督学习方法已被用于对二维和三维医学图像的分割模型进行预训练。本文提出了一种新的自监督对齐学习框架来预训练医学图像分割的神经网络，其中包括了一个全新的局部对齐损失和全局位置损失。实验结果表明，该对齐学习方法在有限标注的CT和MRI数据集上与现有的自监督预训练方法具有竞争力。

Jun, 2024