本文提出了一种基于部分点注释的弱监督分割框架，其中包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。

Jul, 2020

本文提出了一种自监督学习框架，通过对卷积神经网络进行尺度三元组学习和数量排序等两个子任务，隐式地利用细胞核大小和数量的先验知识，从原始数据中挖掘出特征表示，最终在公开数据集上取得了非常好的结果，大大提高了细胞核实例分割的准确性。

Jul, 2020

本文提出了一种边界感知对比学习网络，用于去噪半监督核分割任务，并通过实验证明了该方法在现有半监督实例分割方法中的优越性。

Feb, 2024

在这篇论文中，我们提出了一种基于元学习的结构引导广义少样本实例分割（SGFSIS）框架，用于有效标注细胞核实例分割。实验证明，SGFSIS 在少于 5％的标注数据情况下，优于其他注释效率学习方法，包括半监督学习和简单迁移学习，并且与完全监督学习相当。

Feb, 2024

介绍了一种利用深度学习技术对肺部 CT 图像中的囊性病变进行检测和分割的自学习算法，从而实现无需手动注释和少量专家技能即可进行较为准确的分割。

Jan, 2018

在诊断和治疗癌症疾病中，基于人工智能的组织病理学图像中的细胞核分割是一项至关重要的任务，它减少了手动筛查显微组织图像所需的时间，并且能够解决病理学家在诊断过程中的冲突。本研究提出了一种新颖的细胞核分割方法，利用了可用的带标签和未标签数据。该方法将之前分别尝试过的归纳学习和传导学习的优势结合到一个框架中。归纳学习旨在逼近泛函并推广到未见的测试数据，而传导学习则有利于利用未标签的测试数据来改善分类。据我们所知，这是第一项提出在医学图像分割中采用这种混合方法的研究。此外，我们提出了一种新颖的两阶段传导推理方案。我们在 MoNuSeg 基准上评估了我们的方法，以展示其效果和潜力。

Nov, 2023

使用领域自适应的弱监督核分割框架，通过交叉任务相互作用策略克服伪标签生成的挑战，并通过弱注释数据训练辅助检测任务，设计一种一致特征约束模块来提高领域自适应的效率。此外，我们还开发了伪标签优化和交互式训练方法来提升领域转移能力，实验证明我们的方法在六个数据集上具有优越性能。

Apr, 2024

本文提出了一种基于自学习的方法，即协同知识共享，用于在单细胞分割模型的弱监督训练中，通过共享主模型和轻量级协作者模型之间的知识来缓解大规模训练数据的需要。实验结果表明该方法在不需要大规模手动标注训练数据的情况下，能够取得较好的单细胞分割效果。

Apr, 2023

这篇论文提出了一种基于卷积神经网络的弱监督方法，仅通过图像级标签即可生成准确的小结节体积分割，并且相较于完全监督 CNN 方法该方法实现了竞争性的性能表现。

Jul, 2017

本文介绍了一种基于扩散的核分割增强方法，通过合成大量标记图像，以提高分割模型的性能。实验结果表明，通过将 10％的真实标记数据集与合成样本相结合，可以实现与完全监督基准相媲美的分割结果。

Oct, 2023