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

本研究提出了一个简单而有效的基于标注涂鸦的医学图像分割方法，并应用于心脏核磁共振图像分割，结合了涂鸦监督和辅助伪标签监督的双分支网络能够高效地从标注涂鸦中学习，并取得了优于目前方法和半监督分割方法的表现。

Mar, 2022

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

通过少量局部标注创建的弱监督学习模型在神经科学研究中的电子显微镜（EM）图像的精确细胞器实例分割任务上取得了显著的性能提升，比无监督域自适应方法更具实际应用价值。

Mar, 2024

本文提出了一种半弱监督分割算法，基于新的深度监督学习方法和学生 - 教师模型，结合各种监督信号以实现易于集成，有效地减少了昂贵标注的要求。经过实验验证，该算法在视网膜液体分割上取得了成功。

Apr, 2021

通过稀疏注释的训练，可以实现在体积占比显著减少的情况下（仅 48 个注释体积），得到 Dice 分数大于 0.85 且与使用完整数据集（每个数据集分别为 160 和 240 个卷积）相当的分割结果，而相对于训练更多的体积，训练更多的切片注释提供更有价值的信息。在切片注释的评估中，中央区域注释的效果最佳，而顶部区域注释的效果最差。在注释体积与切片之间的权衡中，尽可能注释更多的切片而不是更多的体积是更好的策略。

Jul, 2023

3D 医学图像分割是一个具有重要意义的挑战性任务，最近深度学习的进展极大地增强了完全监督的医学图像分割，然而，这种方法严重依赖于费力费时的完全注释的地面实况标签，特别是对于 3D 体积。为了克服这个限制，我们提出了一种新颖的概率感知弱监督学习流程，专门针对 3D 医学成像。我们的流程整合了三个创新的组成部分：一种基于概率的伪标签生成技术，用于从稀疏注释合成密集分割掩模，一种用于我们概率变换网络中强大特征提取的概率多头自注意网络，以及一种基于概率的分割损失函数，以增强具有注释置信度的训练。展示了显著的进展，我们的方法不仅能与完全监督的方法性能相媲美，而且在 CT 和 MRI 数据集上超越了现有的弱监督方法，对于某些器官的 Dice 得分实现了高达 18.1％的提升。代码可在此网址获得：https://URL

Mar, 2024