本文提出了一种用于医学数据的自监督深度学习的框架，该框架可以联合学习 2D 和 3D 数据，通过用变形注意力机制构建整体特征，并利用预训练语言模型进行掩蔽嵌入预测，提高了 2D Deep-ClusterV2 和 SwAV 的效果，并超越了各种现代 2D 和 3D 自监督学习方法。

Dec, 2022

提出了一种自监督对比学习方法 SSL-MeshCNN 用于预训练 CNNs 从而解决三角形网格难以准确定义的问题，该方法表现出降低网格分割所需标记数据的可行性

Aug, 2022

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

提出了一种基于伪 3D 转换的跨维度自监督学习框架（CDSSL-P3D），该框架可以利用 2D 和 3D 数据进行联合预训练，实现 3D 医学图像分析的跨维度自监督学习。在 13 个下游任务上进行了广泛的实验，结果表明我们的 CDSSL-P3D 表现出色，优于其他先进的自监督学习方法。

Jun, 2024

本文研究将对比学习应用于医学图像分析领域，发现在医学图像上应用最先进的对比学习方法 MoCo v2 存在维度坍缩问题，并提出了局部特征学习和特征去相关两项关键贡献，实验证明这两个贡献显著提升了模型在医学分割任务的性能。本研究突显了将自监督学习技术有效适应医学图像任务特征的重要性。

Feb, 2024

本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和 / 或数据层扰动 - 变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。

Sep, 2020

本文旨在改进标准的 2D 自监督学习算法，通过对数据集的内在 3D 特性进行建模来解决在 3D 医疗数据中应用的计算资源问题，并且提出了两个改进版本，证明在各种下游任务中，这两个版本往往优于基准模型，同时也几乎不带来额外的开销，提高了医疗应用中这些方法的普及性。

Feb, 2024

本文提出了一个名为 DrasCLR 的新型自监督学习（SSL）框架，采用基于实例鉴别的 SSL 方法，通过两种特定于领域的对比学习策略，在 3D 医学成像中提取具有解析解剖学特定功能的特征，可用于不需要冠军数据来完成许多下游任务，比如肺部图像的预测和分割任务，包括病人存活预测任务和广泛且密集预测的肺气肿子类型检测，这可以大大减少注释精力，并且证明了在自监督学习框架中引入解剖上下文的重要性。

Feb, 2023

本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

Jun, 2020

本文提出了针对五种不同的自监督学习方法的三维版本，利用这些技术进行神经网络特征的学习，通过对三维图像的预处理，显著提高语义表示的精确性，从而在医学成像领域实现了数据效率、性能和收敛速度的提升，具有较高的竞争力和可扩展性。

Jun, 2020