本文介绍一种基于半监督学习的皮肤病病变分割新方法，通过标记和未标记数据的加权结合优化神经网络，通过不同正则化方法提高像素级预测效果，实现对少量标记数据进行高效训练，并在 ISIC 2017 皮肤病病变分割竞赛中取得 2000 个标记数据以下更好的性能。

Aug, 2018

无监督皮肤病变分割，采用 Uncertainty Self-Learning Network 自学习网络，通过对比学习提取特征，生成基于显著性的 Class Activation Maps，利用这些特征实现有效的皮肤病变分割，通过连接性检测、优先级检测和循环优化进一步提高性能。

Sep, 2023

本文提出了基于深度学习和皮肤照明成像物理的深度语义分割框架，该方法结合了 RGB 图像和从不同光谱颜色的照明不变的灰度图像、阴影衰减图像等不同信息，应用于三个数据集并取得了 12.02%、4.30% 和 8.86% 的平均 Jaccard Index 提升。

Mar, 2020

通过最大化不同视角下的镜检和临床图像之间的相似性，聚类分析生成模拟的伪多标签以及利用标签关系来改善多模态皮肤病变分类的自监督学习算法比其他现有自监督学习算法在七点皮肤病变数据集上获得了更好的性能。

Oct, 2023

本论文提出了一种用于弱监督内窥镜下病变分割的新语义病变表示转移模型，该模型可以从相关的完全标记的疾病分割任务中利用有用的知识，以提高目标弱标记的病变分割任务的性能，其中包括提出了基于伪标签生成器的伪像素标签生成方法，并将同一类别的动态搜索特征中心在不同数据集间对齐。

Aug, 2019

该研究提出了一种简单而新颖的基于卷积神经网络（CNN）的 “网络中的网络” 方法，用于分割皮肤病变。作者使用了一种名为 Faster RCNN 的方法进行预处理，配合 UNet 和 Hourglass 网络实现皮肤病变的分割。在 ISIC 2018 数据集上，该方法的 Dice 相似度系数达到 0.915，准确率达到 0.959，在 ISBI 2017 数据集上，Dice 相似度系数达到 0.947，准确率达到 0.971。

May, 2020

本研究介绍了一种新的无监督高光谱图像聚类算法，名为 S2DL（基于超像素和空间正则化扩散学习），它通过将高光谱图像中编码的丰富空间信息融入扩散几何聚类中来解决高维、噪声、异常点和需要准确标签的挑战。该方法在图像分割中使用熵率超像素技术将图像划分为超像素，并使用最具代表性的高密度像素构建一个空间正则化扩散图。最高密度像素与其他最高密度像素之间的扩散距离最远，被识别为隐含聚类结构的示例。这些示例指导其余超像素中的代表性像素标记。最后，对每个超像素内分配的标签进行多数投票，将标签传播到整个图像。S2DL 的性能通过对三个公开可用真实世界高光谱图像进行广泛实验验证，即 Indian Pines，Salinas 和 Salinas A。此外，我们使用高分五号高光谱图像将 S2DL 应用于香港米埔自然保护区的大规模无监督红树林物种映射。S2DL 在这些多样化的数值实验中取得了成功，表明其在各种重要的无监督遥感分析任务上具有高效性。

Dec, 2023

本文提出了一种新的自我监督辅助主动学习框架，用于解决生物医学图像分割中标签不足的问题，该方法使用自我监督特征聚类来选择样本，实验证明其可在皮肤病变分割任务上取得显著改进。

May, 2022

本文提出了两种深度学习方法来解决皮损分割、皮损皮肤镜特征提取和皮损分类三个任务，实验结果在 ISIC 2017 测试集上表现出有前景的准确率

Mar, 2017

本文探讨了超像素方法在肿瘤科学中的应用，并将其与其他方法进行了比较。评估结果表明，基于自编码器和适应领域的方法在定位乳腺癌 HER2 的边界方面效果更好，这为高效手动细化切片提供了支持。

Jan, 2022