本文提出了一种新颖的互相关网络（MC-Net+），通过有效地利用未标记数据进行半监督医学图像分割。我们在三个公共医学数据集上比较了我们 MC-Net+ 模型的分割结果与五种半监督方法的结果，实验表明我们的模型在半监督下分割效果最优，树立了半监督医学图像分割的新标准。

Sep, 2021

在半监督医学图像分割领域，如何从未标记的图像中有效学习图像特征以提高分割的准确性是研究的主要方向之一，本文基于自我训练框架，通过添加样本级别和像素级别的不确定性来稳定训练过程，即有选择地重新训练未标记的样本并为伪标签分配像素级别的不确定性来优化自我训练过程，实现了更好的分割性能。

Apr, 2023

基于平均教师模型的双解码器一致性伪标签引导数据增强方法（DCPA），结合一致性正则化、伪标签和数据增强，以增强半监督分割的效果。通过学生模型和教师模型，共享编码器和两个不同的解码器，增加学生模型训练时的一致表示生成，通过混合数据实现数据增强，并利用教师模型生成伪标签进行无监督损失计算。与六种半监督方法在三个公开医学数据集上进行对比，实验证明我们的方法在三种半监督设置下一致优于现有的半监督医学图像分割方法。

Aug, 2023

我们提出了一种名为LeFeD的半监督学习方法，通过训练差异化的解码器并从不一致的信息中学习，学习来自两个解码器的特征级差异，并将差异作为反馈信号馈送到编码器中，从而在三个公共数据集上取得了超越竞争对手的结果，为半监督医学图像分割设定了新的技术标准。

Sep, 2023

用 CMMT-Net 方法解决半监督医学图像分割中的标签预测准确性、噪声以及信息过度拟合等问题，并在公开数据集上显著优于现有方法。

Oct, 2023

通过数据增强和伪标签生成、筛选和改进过程的适当强调，本研究基于半监督模型DFCPS提出了新颖的交叉伪监督概念，将一致性学习与自训练相结合，充分利用了伪标签的多个角度，从而提高了训练多样性和模型性能。

Feb, 2024

介绍了一种基于Evidential Tri-Branch Consistency学习框架（ETC-Net）的半监督医学图像分割方法，通过三个分支来解决预测多样性和训练稳定性，并结合来自证据学习的不确定性估计来抑制错误监督信号的负面影响，实验结果表明ETC-Net在多个数据集上超越了其他最先进的半监督分割方法。

Apr, 2024

通过混合原型一致性学习（MPCL）框架，我们提出了一种解决医学图像分割中标记数据稀缺性带来的原型表达不完整的问题的方法。在该框架中，平均教师生成标记和未标记数据的原型，而辅助网络通过CutMix处理混合数据产生额外的原型。通过原型融合，混合原型为标记和未标记的原型提供额外的语义信息。对左心房和B型主动脉夹层数据集的实验结果表明，MPCL优于先前的最先进方法，证实了我们框架的有效性。

Apr, 2024

我们提出了一种跨提示一致性方法与Segment Anything Model（CPC-SAM）实现半监督医学图像分割，用于从稀缺标记和有价值的未标记数据中有效学习，在两个医学图像分割任务中验证了该方法的优越性。

Jul, 2024

本文针对半监督医学图像分割中的关键问题，提出了一种新颖的框架SemSim，旨在解决上下文依赖性缺失和标记与未标记数据之间语义相似性利用不足的问题。通过引入像素预测修正和特征查询机制，SemSim显著提高了分割性能，实验结果表明，在三项公用分割基准上相较于现有方法有持续改进。

Oct, 2024