我们提出了一种半监督和弱监督学习框架，利用有限的强标注样本和充足的弱标注样本进行乳房肿块分割，以提高诊断乳腺癌的准确性。该框架包括一个辅助分支用于排除无关区域，一个分割分支进行最终预测，以及一个空间引导模块用于整合两个分支的互补信息。通过将编码的模糊特征分离为与病变相关的和其他的特征来改善性能，在 CBIS-DDSM 和 INbreast 数据集上的实验证明了我们方法的有效性。

Mar, 2024

通过对比侧面乳房 X 射线摄影图像来训练神经网络，以实现全面无监督的方式区分异常病变和背景组织，从而实现乳房补丁分类任务中的卓越性能。

Jan, 2024

本论文引入了一种卷积神经网络（CNN）弱监督切片传播分割（WSSS）方法，以 RECIST 标记为弱监督数据，能够精确地评估时间点的病变 / 肿瘤变化，并在淋巴结数据集中表现出与完全受监督的方法相当的性能，并在全面的病变数据集上测试，其中我们报告了在 RECIST 标记图层上的 Dice 分数均值为 92%，在整个 3D 体积上为 76%。

Jul, 2018

通过使用渐进双先验网络（PDPNet）分割动态增强磁共振图像 (DCE-MRI) 中具有不同来源的乳腺肿瘤，旨在提高乳腺肿瘤分割模型的泛化能力，改善对小型、低对比度和不规则形状乳腺肿瘤的分割性能。

Oct, 2023

本文提出了一种简单的对比去卷积 (SimCVD) 框架，旨在显著提高状态 - of-the-art 体素级表示学习。SimCVD 通过蒸馏配对相似，提升了分割准确性，可用于医学图像合成、增强和配准等下游任务中。

Aug, 2021

本研究提出了一种基于 HRNet 的特征增强的敌对半监督语义分割模型，通过添加少量未标记图像实现了对不同数据集的适用，从而自动标注计算机断层扫描肺动脉造影（CTPA）图像中肺栓塞病变区域的位置。与当下的标准模型相比，该模型在 mIOU、Dice 系数和灵敏度方面实现了显著优化。

Apr, 2022

使用 nnU-Net 模型，研究探讨不同序列的 mpMRI 在乳腺肿瘤分割中的影响，并通过在多中心 mpMRI 数据集上的评估，证明了使用动态对比增强 MRI 序列可以获得较高的功能性肿瘤体积分割 Dice 相似系数和整个肿瘤掩膜分割改善。然而，添加 T2w 序列对结果影响不显著，需要进一步研究。该研究为未来的乳腺癌治疗反应预测提供基础。

Jun, 2024

本研究提出了一种基于教师 - 学生模型和相似性学习的自我相似度的方法，用于癌细胞区域分割。在 CAMELYON16 和 TVGH TURP 数据集上进行了实验，结果显示该方法在噪声标签下的性能优于现有技术和有监督的基线。此外，在临床组织病理学分割任务中表现出良好的泛化能力。

Jul, 2020

本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

May, 2023

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