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

利用标记信息指导非标记示例的学习，通过三个操作进行语义分割的半监督学习，包括相似标记 - 非标记图像对的插值，互信息的转移以及伪面具的泛化。在 PASCAL VOC 2012 和城市景观上的大规模实验中，与先前的方法相比，GuidedMix-Net 取得了竞争性分割准确性，并显着提高了平均交集联合（mIoU）比先前的方法高 7％。

Dec, 2021

本文介绍了一种基于半监督学习的医学图像分割方法，利用弹性变形实现了对有标签和无标签图像的变换一致性学习，通过在公共数据集上的测试，该方法达到了与同类方法相当的性能表现，并且使用了大为较少的有标签数据。

Nov, 2019

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

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

本文介绍了一种新颖的针对医学图像分割的半监督学习框架，核心是创新的多尺度文本感知 ViT-CNN 融合方案，该方案巧妙地结合了 ViTs 和 CNNs 的优势，充分利用了视觉 - 语言模态中的互补信息。进一步丰富我们的框架，我们提出了多轴一致性框架，生成稳健的伪标签，从而提升了半监督学习过程。我们在多个常用数据集上进行了广泛的实验，这些实验无可辩驳地证明了我们方法的有效性。

Sep, 2023

本文提出了一种通用的半监督语义分割框架，旨在在各种应用领域实现更低的注释和部署成本，并通过像素感知熵正则化的特征对齐目标来最小化有监督以及无监督损失，以实现在多个领域中都能使用单一模型，利用少量标记实现性能提升，同时可以处理不同领域的标签空间不同的问题。

Nov, 2018

本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

May, 2023

我们提出了一种新的半监督语义分割视角，通过对训练数据集中标记和无标记分布的分析，我们发现即使两个数据集采样自相同分布，标记和无标记数据集之间的分布差异也不能忽视。为了解决这个问题，我们在理论上进行了分析并从实验上证明了适当提高无标记数据的不确定性可以帮助减小分布差异，从而提高模型的推广能力。我们提出了两种策略，并设计了一种特别针对半监督语义分割的不确定性增强算法，基于这些理论进行了大量实验，结果证实了算法和策略的有效性。我们的插拔式不确定性增强器小巧高效，对于超参数具有鲁棒性，但可以显著提升性能。与当前流行的半监督语义分割方法在常用基准数据集 Cityscapes 和 PASCAL VOC 2012 上不同的训练设置下，我们的方法在实验中取得了最新性能。

Nov, 2023

本文提出了一种全新的互相关注意力的半监督学习方法，该方法结合标签数据和未标签数据的特点，在医学图像分割任务中实现了更好的表现。

Jul, 2023