本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

本文提出了一种基于PriorGuided Local (PGL)自监督模型的图像分割方法，该方法利用空间转换来捕捉局部一致性，构建局部一致性损失以最小化拉平后的特征图之间的差异，并在四个公共计算机化断层扫描（CT）数据集的验证中表现出卓越的性能。

Nov, 2020

本文提出了一种新颖的互相关网络（MC-Net+），通过有效地利用未标记数据进行半监督医学图像分割。我们在三个公共医学数据集上比较了我们 MC-Net+ 模型的分割结果与五种半监督方法的结果，实验表明我们的模型在半监督下分割效果最优，树立了半监督医学图像分割的新标准。

Sep, 2021

本研究提出了一种新的自我监督学习框架——Alice，旨在针对医学图像领域中异构数据及医学结构的特殊性，明确实现解剖不变性建模和语义对齐，其中主要涵盖对比学习策略及条件解剖特征对齐模块，进一步提高了3D医学图像分割下的性能表现，超过之前的同类方法。

Feb, 2023

借鉴谱分解方法，将图像分解问题视为图划分任务，并通过特征亲和力矩阵的拉普拉斯矩阵的特征向量分析来估计感兴趣对象的分布；提出一种新颖的自监督式FSS框架，不依赖于任何标注，并通过利用从支持图像获得的特征向量自适应地估计查询掩码，从而消除了手动注释的需求，特别适用于具有有限标注数据的医学图像；引入了多尺度大卷积核注意力模块，进一步提高了对支持图像提供的信息进行查询图像解码的能力，通过选择性地强调相关特征和细节，改善了分割过程并有助于更好的物体勾边；在自然和医学图像数据集上的评估结果展示了我们方法的高效性和有效性。

Jul, 2023

介绍了一种新的分层视觉Transformer网络模型(D-LKA Net)，采用变形大核注意力机制以完全理解体积上下文信息，并在医学图像分割任务上展现出卓越的性能。

Aug, 2023

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

FuseNet是一种双流框架，用于自我监督的语义分割，通过利用原始图像和增强图像之间的共享语义依赖来创建聚类空间，从而消除了手动标注的需求。它还结合了交叉模态融合技术和边缘细化损失函数，通过增强空间一致性和边缘对齐来提高语义分割的效果。

Nov, 2023

介绍了一种专门为医学图像分割设计的自我监督框架MedSASS，通过在四个不同的医学数据集上的评估，展示了其优越性。在CNN和ViT架构上相较于现有方法，MedSASS在没有端到端训练和有端到端训练时分别表现出14.4%和6%的显著提升。

Feb, 2024

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