该研究提出了一种新的基于差异的主动学习方法（Discrepancy-basEd Active Learning），以几个注释来缩小类激活图（CAM）与真实结果之间的差距，并使用 CAMPUS 准则来预测 CAM 与真实结果之间的差距。使用 WCE 数据集评估了该方法，结果表明我们的方法优于最先进的主动学习方法，并且在只标记了 10% 的训练数据的情况下达到与完全标记数据集训练的方法相当的性能。

Aug, 2023

本文提出了一种基于多尺度卷积神经网络和反向扩散过程的无线胶囊内窥镜低光图像增强框架，并将其与十种现有 LLIE 方法进行比较，表明该模型具有明显的性能优势和临床潜力。

Jul, 2023

本文提出了一个新方法，即基于补充角度余弦相似度度量的补丁水平实体群差异化方法，它使得模型能够学习将类似的代表性补丁聚类在一起，从而提高它们在不同类别之间的分离能力。实验结果表明，我们的方法优于基线架构，对分类、检测和分割任务的准确度分别提高了 4%、2% 和 3%。此外，我们还证明了我们的方法相对于所有 SOTA 方法具有更好的泛化性，我们的泛化性评估提高了近 7%。

May, 2023

利用病理学诊断等高置信度标签难以获取而成本高昂，故提出了一种基于弱标签和空间上下文的弱监督位置对比学习策略，通过泛化的基于核的损失函数整合了每个 2D 切片的空间上下文和弱标签，将其应用于肝硬化预测中，相对于基线模型在内部数据集上的分类 AUC 提高了 5％，在公共 LIHC 数据集（Cancer Genome Atlas）上提高了 26％。

Jul, 2023

本论文提出了一种基于 MIL 的方法，用于全幻灯片图像（WSI）分类和肿瘤检测，无需局部注释，并提出了自我监督对比学习及金字塔融合机制，从而提高分类和定位的准确性。

Nov, 2020

通过使用领域先验知识作为先决条件来学习更强大和可推广的表示，我们实验表明，域优先可以通过代理标签的方式使表示受益，从而显着减少标记要求，同时仍使完全无监督但病理感知学习成为可能，建立了病理分类和跨数据集推广的新基准。

Jun, 2022

整张切片图像（WSI）分析在癌症诊断和治疗中起着至关重要的作用，自监督学习（SSL）方法由于其在避免需要大量注释的情况下提高效率而成为宝贵的资源，尤其适用于解决 WSI 内部补丁选择引起的类别不平衡问题。我们提出了一种新颖的自监督学习方法 Nearby Patch Contrastive Learning (NearbyPatchCL)，它利用附近补丁作为正样本，采用解耦的对比损失进行鲁棒表示学习。该方法在补丁级别多类别分类的下游任务中显著提高了性能，达到了 87.56% 的 Top-1 分类准确率，并且仅使用了 1% 的标注数据。

Dec, 2023

提出了一种基于弱监督对比学习的框架 (WCL)，该框架使用两个投影头进行正则的实例区分任务，一头使用基于图形的方法找到相似的样本并生成弱标签，另一头使用这些弱标签进行有监督的对比学习任务，以拉近相似图像之间的距离。WCL 旨在解决现有对比学习框架中的类冲突问题，并在不同的数据集上提高了自监督表示品质，尤其是在半监督学习中达到了新的最优结果。

Oct, 2021

提出一种基于相互 Transformer 学习的全无监督 WSI 分类算法，并在公开数据集上进行了广泛实验，证明了该方法在 WSI 分类和癌症亚型分类方面的优越性能。

May, 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