提出了一种利用正交标注和稠密 - 稀疏共训练的半监督学习方法来应对 3D 医学图像分割中的标注问题。实验结果表明，该方法在表现和效率上都具有较高的水平。

Mar, 2023

本研究利用注意力导向的主动学习策略，针对 3D 医学图像分割问题，仅需要标记 15％至 20％的脑提取任务中的切片和 30％至 35％的组织分割任务中的切片，便可达到与全标注数据相比的相似结果。

Jun, 2019

建立了一种深度学习方法，探索了稀疏标注，即每个 3D 训练 MR 图像只有一个 2D 切片进行标注，与 ICT 相比，该方法在分割准确性方面取得了显著提升，对于前列腺分割，平均 B-IoU 增加了 10.0% 以上（提出的方法 B-IoU：70.3% vs. ICT B-IoU：60.3%），对于左心房分割，平均 B-IoU 增加了 6.0% 以上（提出的方法 B-IoU：66.1% vs. ICT B-IoU：60.1%）。

Dec, 2023

通过 3D 和 2D 网络的交叉教学，我们提出了一种从稀疏注释中稳健学习的框架，采用硬 - 软置信度阈值和一致标签融合两种伪标签选择策略，实验证明我们的方法优于半监督分割方法的最先进成果，并且与全监督的上限结果相媲美。

Jul, 2023

本文提出了一种基于稀疏注释的体积分割网络，可以在自动化和半自动化情况下使用，使用 3D 网络代替原有的 2D 操作，并通过实时弹性变形增强数据。该方法在 Xenopus 肾脏等高度变异的 3D 结构上取得了良好的分割效果。

Jun, 2016

提出了一种基于自学习和单次学习的框架，用于 3D 医学图像分割，仅注释每个 3D 图像的一个切片以显著减少注释工作量并获得与完全监督方法相媲美的性能。

Sep, 2023

通过对多视图数据进行对比学习，我们提出了一种基于 U-Net 的三重编码器和单一解码器网络，tU-Net，可以充分利用未经注释的矢状和冠状视图，以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进，并且在缺少视图的情况下，提供了灵活性，表明通过对比学习来利用未经注释的多视图数据的可行性。

Aug, 2023

通过对 11 种注释策略和 4 个数据集进行彻底的成本效益评估，我们得出结论：当注释时间有限时，准确地勾绘感兴趣的对象通常不是最佳方法，注释时间越多也是如此。在这种情况下，突出显示的注释方法是（1）具有少量顶点的基于多边形的注释，以及（2）与 “Segment Anything Model（SAM）” 结合的框注释。在有无限注释时间的情况下，精确的注释仍然会导致最高的分割模型性能。

Dec, 2023

本文探讨使用草图注释来训练医学图像分割网络的参数的训练策略，并在公共心脏（ACDC）和前列腺（NCI-ISBI）分割数据集上进行评估，结果表明，草图训练的网络与使用完整注释训练的网络相比，其 Dice 系数的下降仅为 2.9％（心脏）和 4.5％（前列腺）。

Jul, 2018

本文提出了一种基于解剖形态先验知识和多个 2D 标准视图之间的空间上下文关系的方法，来从不同的 MR 短轴图像切片中分割出左心室心肌，该方法具有数据效率高、准确性高的优点，相对于基线模型表现更加卓越。

Jul, 2019