该研究提出了基于自监督平均教师预训练和半监督微调的自我监督平均教师的半监督学习方法，应用于胸部 X 光片和皮肤病分类问题，取得较大的性能改善。

Mar, 2021

通过引入新颖的跨模型互学习框架，该研究提出了一种基于样本的医学图像分割方法，可以在极少的监督下实现高效的模型训练，并通过消除确认偏差和实现多模型一致性来学习互补信息。通过在图像和特征层面上进行扰动和预测，该框架在两个医学图像数据集上的实验结果表明，相比现有方法，所提出的方法有更好的表现。

Apr, 2024

本文中，我们使用新的 mean-teacher 模型扩展和更严格的 confidence-weighted cross-entropy loss 解决了一些不准确的预测，这使我们能够使用新的对抗性扰动技术来提高对相对数据的一致性学习泛化能力。结果表明，我们的方法较先前的 SOTA 方法在该领域实现了显着的改进。

Nov, 2021

本文提出了一种统一的、通用的框架 ——CMT，将 mean-teacher 自训练和对比学习这两种范式自然地集成在一起，通过伪标签进行特征抽取和优化，从而稳定提高了目标域上的性能，取得了新的最优表现。

May, 2023

本文提出了基于图一致性的平均教学（GCMT）方法，用于解决师生网络之间选择样本对的对比学习过程中的问题，并综合不同教师网络的相似性关系来有效优化学生网络的表示学习。 在三个数据集上的实验证明，相对于现有方法，GCMT 在多教师和学生网络中均表现出更好的性能提升。

May, 2021

本文介绍了一种互动训练（Dynamic Mutual Training，DMT）的方法，可以通过两种不同模型之间的互动来确定伪标签的错误，从而提高半监督学习的性能。在图像分类和语义分割任务中，DMT 均取得了最新的表现。

Apr, 2020

提出了一种多样教学方法 AD-MT，以应对当前半监督医学图像分割模型中存在的确认偏差问题。AD-MT 包括一个学生模型和两个非可训练的教师模型，通过交替地进行动量更新来促使教学多样性。通过随机切换周期、数据增强和补充数据批次，RPA 模块调度交替的多样化更新过程，以鼓励从不同教学角度进行多样化推理。而 CCM 模块基于熵集成策略，鼓励模型从教师模型的一致和冲突预测中学习。实验证明 AD-MT 在各半监督设置下对 2D 和 3D 医学分割基准的有效性和优越性。

Nov, 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

本研究主要研究基于无源域的玻璃体图像分割，旨在通过使用无标签图像将预训练的玻璃体分割模型适应到目标领域。研究提出了一种名为 Class-Balanced Mean Teacher (CBMT) 的模型，旨在解决伪标签不稳定和类别不平衡的问题，并通过实验证明 CBMT 在多个基准测试中优于现有方法。

Jul, 2023

本文提出了一种基于深度学习的半监督知识蒸馏方法，通过标注和未标注的数据进行数据训练，建立了一个包含教师和学生网络的 Mask-guided Mean Teacher framework with Perturbation-sensitive Sample Mining (MMT-PSM)。实验表明，该方法相对于只学习标注数据的监督方法和最先进的半监督方法，显著提高了性能。

Jul, 2020