针对医学图像分割的局限性，我们提出了一种新的架构，Perspective+ Unet。该架构具有三个主要创新点：在编码器阶段引入了双通道策略，通过结合传统和扩张卷积的结果，既保持了局部感知域又显著扩展了它，从而更好地理解图像的全局结构；采用高效的非局部变换块 ENLTB 来有效地捕捉长程依赖关系，具有线性计算和空间复杂性；采用空间交叉尺度集成策略，在模型阶段跨级别细化特征，以协调全局和局部信息。我们在 ACDC 和 Synapse 数据集上进行了实验，结果验证了我们提出的 Perspective+ Unet 的有效性。

Jun, 2024

本文提出一种基于自监督预训练的医学图像分析深度学习训练策略，通过将不同扭曲应用于图像的随机区域，预测扭曲的类型和信息的损失，并使用改进的 Mask-RCNN 体系结构定位扭曲位置和恢复原始图像像素，将该方法用于分割任务，能够提高 Dice 分数 20%。

Jul, 2022

采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

Jun, 2019

本文研究探讨了 UNet 在医学图像分割中的学习模式，并提出了解决非对称监督引起的不相关特征和特征冗余的方法，通过利用特征蒸馏，在几乎无计算成本的情况下，将提出的方法应用于现有的 UNet 架构中，实验结果表明该方法在四个医学图像分割数据集上稳定提高了标准 UNet 的性能。

Jun, 2024

通过使用自监督算法 S³-Net 结合 Inception Large Kernel Attention（I-LKA）模块、可变形卷积和空间一致性损失项，本研究提出一种精确医学图像分割方法，并在皮肤病变和肺器官分割任务中展现了超越 SOTA 方法的卓越性能。

Aug, 2023

本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

Jun, 2020

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

本文探讨了在医学图像分割中监督学习与自监督学习的预训练方法，发现在自监督学习方法中，使用自然图像和目标领域特定图像进行预训练可以实现最快和最稳定的收敛，在低数据场景下，将图像分类网络预训练在 ImageNet 上可以获得最佳精度。

Sep, 2022

数字显微镜中的自我监督学习对图像分割具有重要意义，采用了对预任务相似的无标签数据进行内在特征学习的方法，通过像素减少和图像模糊等增强技术，能够在相对较小和更大的数据集上优于传统的监督学习方法，得到更高的 F1 得分。

Nov, 2023

该研究提出了一种利用卷积神经网络 (CNN) 中的分割信息的方法，通过设置 CNN 来提供嵌入空间来获取分割信息，以便在局部感受野范围内使每个神经元可以选择性地关注来自其本身区域的输入，因此适应于局部分割提示，在两个密集预测任务中展示了性能优于进行过增强的基线的结果。

Aug, 2017