本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和/或数据层扰动-变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。

Sep, 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

本研究提出一种半监督医学图像分割的方法，通过在简单平均教师体系结构中双向复制粘贴标记和未标记数据，从而鼓励标记和未标记数据之间的一致性学习，有效缓解标记和未标记数据分布之间的差异，实验证明该方法相对于其他半监督医学图像分割数据集的最新技术有实质性提升。

May, 2023

本文提出了SCP-Net方法，利用多个输入源提高一致性学习中预测的多样性，结合半监督方法和自我感知一致性学习方法，提高伪标签的紧致性和可靠性。实验表明，SCP-Net可以优于其他半监督分割方法，相比于有限的有监督训练，可以显著提高性能。

May, 2023

提出一种用于半监督医疗图像分割的简单而有效的方法 DPMS，重点在于通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升了 SSMIS 的性能。

Aug, 2023

基于平均教师模型的双解码器一致性伪标签引导数据增强方法（DCPA），结合一致性正则化、伪标签和数据增强，以增强半监督分割的效果。通过学生模型和教师模型，共享编码器和两个不同的解码器，增加学生模型训练时的一致表示生成，通过混合数据实现数据增强，并利用教师模型生成伪标签进行无监督损失计算。与六种半监督方法在三个公开医学数据集上进行对比，实验证明我们的方法在三种半监督设置下一致优于现有的半监督医学图像分割方法。

Aug, 2023

基于卷积神经网络的监督学习算法已成为医学图像分割任务的基准，但其效果严重依赖于大量标记数据。受到半监督算法的启发，利用有标签和无标签的数据进行训练，我们提出了PLGDF框架，用于使用较少注释的医学图像进行分割。我们提出了一种新颖的伪标签利用方案，将有标签和无标签的数据有效地合并到数据集中。此外，我们在分割网络的解码器模块中强制保持不同尺度之间的一致性，并提出了适用于评估一致性的损失函数。此外，我们在预测结果上应用了锐化操作，进一步提高了分割的准确性。在三个公开数据集上进行了大量实验证明，PLGDF框架能够通过融合无标签数据显著提高性能。与六种最先进的半监督学习方法相比，我们的框架具有优越的性能。本研究的代码可以在 https URL 获取。

Nov, 2023

我们提出了一种跨提示一致性方法与Segment Anything Model（CPC-SAM）实现半监督医学图像分割，用于从稀缺标记和有价值的未标记数据中有效学习，在两个医学图像分割任务中验证了该方法的优越性。

Jul, 2024

本文针对半监督医学图像分割中存在的伪标签错误及其引发的认知偏差问题，提出了一种新颖的学生差异信息纠正学习（SDCL）框架。通过引导两个学生模型在分割差异上进行自我纠正，研究表明SDCL在多个医学图像数据集上显著超越了现有的最先进方法，展现了接近全监督学习的性能，具有较大的应用潜力。

Sep, 2024

本研究解决了半监督医学图像分割中关于扰动策略的不足。提出了一种基于模型注意力的扰动方法，通过增强一致性正则化来处理医学图像的复杂结构和高维语义。实验结果表明，该方法在基准数据集上取得了最先进的性能，ACDC数据集的Dice分数达到90.4%。

Oct, 2024