本文提出了一种结合传统概率性图谱分割和深度学习的策略，可以不需要手动标注映像即可为新的 MRI 扫描训练分割模型，在多种 MRI 对比度下，已经在成千上万个 MRI 扫描中通过实验证明了良好的准确性，并在 GPU 上测试只需要约 15 秒。

Apr, 2019

本研究利用同时使用 MRI 图像中的像素级注释和图像级注释，提出了一个学习框架，用于大脑肿瘤的分割模型，并研究了像素级注释和图像级注释的比较量对分割质量的影响，并将我们的方法与传统的全监督方法进行比较，并展示了我们的方法在分割质量方面的优势。

Nov, 2019

本文提出了一种利用图像级标签来促进分割的双 U 形两阶段框架，通过预训练分类网络获取层次金字塔特征并引导下游分支的学习，在像素级标签的监督学习下，通过短跳和长跳将从分类分支获得的层次特征输入到下游分支中，并得到病变掩模，实验证明我们的框架相比只使用像素级标注的网络取得了更好的结果。

Jun, 2024

通过使用基于图像标记的特征学习方法，我们能够选择一小组图像来训练 U 形网络的编码器，从而达到与手动选择相等甚至超过使用反向传播和所有训练图像训练的同一 U 形网络的性能。

Jun, 2024

提出有效的脑 MR 图像注释框架，通过少量提示性注释样本训练可达到与完整数据集训练相媲美的性能，从而节省手动注释成本并提高医学图像处理中的数据效率。

Jun, 2022

肿瘤分割是肿瘤诊断中的关键任务，本文研究了在组织学中应用全幻灯片图像进行肿瘤分割的深度学习方法，同时利用视觉提示的新范式在三个不同的器官中展示了与传统方法相比相当甚至更好的性能。

Feb, 2024

本文介绍了一种基于深度学习的微观细胞图像语义分割，提出了针对数据量少的高效学习框架，并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明，与传统方法相比，提出的方法提高了 Dice 系数 (DSC)。

Apr, 2023

基于深度学习的脑肿瘤分割（BTS）模型在多模态 MRI 图像中取得了重要进展。然而，不完整的 MRI 模态造成分割成为一个具有挑战性的问题。为了解决这些问题，我们提出了一种新颖的方法，从两个方面增强 BTS 模型。首先，我们引入了预训练阶段，生成一个广泛覆盖肿瘤形状和大脑解剖不同组合的多样数据集。其次，我们提出了后训练阶段，使模型能够在只有部分模态可用时重建缺失的模态。通过大量实验证明，我们的方法显著改善了基线性能，并在三个脑肿瘤分割数据集（BRATS2020、BRATS2018 和 BRATS2015）上取得了新的最先进成果。

Jun, 2024

使用深度学习进行医学图像分析时，由于有限的标记数据和高昂的注释成本，往往面临挑战。本文提出了一种将选择性标记与提示调整相结合的框架（SLPT），以提高有限标签下的性能，同时保持预训练模型不变，通过仅使用有限标记数据对这些参数进行更新。该框架包括了一个特征感知提示更新器，以引导提示调整，并采用基于提示的不确定性的无监督多样性选择和有监督选择。此外，我们提出了一种多样化的视觉提示调整策略，为选择性标记提供多提示的不同预测。在肝肿瘤分割任务上，我们的方法取得了最先进的性能，仅使用可调参数的 6%，仅标记了 5% 的数据即可达到全数据性能的 94%。

Aug, 2023

应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

Aug, 2023