本文提出了一种对神经网络进行医疗图像分割的对抗性数据增强方法，生成真实信号失真来模拟由一种常见的造影剂称为偏差场引起的强度不均匀性，该方法可用于有监督和半监督学习中的一般分割网络的插件模块，并且在低数据情况下显著提高了模型的泛化能力和鲁棒性。

Jun, 2020

该论文提出了一种用于前列腺 MRI 偏置场校正的概率 Hadamard U-Net（PHU-Net）方法，通过引入新颖的 Hadamard U-Net（HU-Net）提取低频标量场，在频域中使用可训练过滤器、硬阈值化层和稀疏性惩罚消除高频组分，结合条件变分自编码器将偏置场校正形式编码到低维潜在空间中，通过与校正后原型图像相结合生成多个合理的图像，实验证明 PHU-Net 在快速推理速度下有效地纠正了前列腺 MRI 中的偏置场，并提高了前列腺 MRI 分割准确性。

Mar, 2024

当神经网络在偏见数据集上训练时，它们往往会无意中学习到具有偏见的相关性，从而在实现强大的泛化和鲁棒性方面面临挑战。我们介绍了一种新颖的去偏见方法 DeNetDM，它基于浅层和深层网络的不同属性，使用基于专家产品的训练范例创建出带有偏见和去偏见架构的模型，并通过模型转移来生成目标去偏模型。大量实验证明我们的方法优于当前的去偏方法，在三个数据集上取得了约 5% 的明显改进，这些数据集包括合成数据和真实世界数据。DeNetDM 无需偏见标签或偏见类型的注释，仍然能够与有监督的对照模型表现相当。此外，我们的方法有效利用了数据中具有偏见冲突的多样性点，超越了以前的方法，避免了需要显式增强多样性的数据增强方法。该研究的源代码将在接受后提供。

Mar, 2024

本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

Nov, 2019

我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法，最终纠正错误的预测结果，通过有针对性的验证训练过程识别不一致预测的区域并进行微调，从而提高上下文信息的利用；此外，为了自适应地调整网络的表示能力并降低预测不确定性，我们采用了自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测；我们的实验结果来自于临床 MRI 和 CT 扫描的器官分割，与最先进的方法相比，证明了我们方法的有效性。

Nov, 2023

该论文提出使用深度卷积神经网络解决困难的内在图像分解问题，通过对真实图像和合成图像模型的混合训练，以及引入 Bilateral Solver 层，进一步改进结果，实现了对各种数据集包括真实世界场景的不同光照图像的理想产出。

Jul, 2018

介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

Jun, 2022

该文介绍了使用具有灵活监督损失层的深度学习方法来实现自然图像的固有反射和阴影层解析分解，并展示了其在所有主要内部图像基准测试上取得的最先进结果。

Jan, 2017

介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

Jun, 2023

我们提出了一种名为 Decomposer 的半监督重建模型，它将失真的图像序列分解为它们的基本构建块 - 原始图像和应用的增强，例如阴影、光线和遮挡。

Nov, 2023