本文提出了一种半监督学习的方法，即自我训练范式，通过用标注数据训练教师模型并在大量未标注数据上生成伪标签，以较少的监督实现像素级准确模型，并在 Cityscapes，CamVid 和 KITTI 数据集上取得了最优表现，同时，在具有挑战性的跨域泛化任务上表现更佳，最后，为了减轻大量伪标签带来的计算负担，提出了一种快速训练计划来加速分割模型的训练。

Apr, 2020

本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少～7 倍。

Nov, 2018

我们提出了一种半监督和弱监督学习框架，利用有限的强标注样本和充足的弱标注样本进行乳房肿块分割，以提高诊断乳腺癌的准确性。该框架包括一个辅助分支用于排除无关区域，一个分割分支进行最终预测，以及一个空间引导模块用于整合两个分支的互补信息。通过将编码的模糊特征分离为与病变相关的和其他的特征来改善性能，在 CBIS-DDSM 和 INbreast 数据集上的实验证明了我们方法的有效性。

Mar, 2024

数字病理学发展迅速，结合人工智能、深度学习和高性能计算等技术的进步，可以提高和加速诊断过程，减少人为错误，并简化报告步骤。本文提出了一个新的大型红细胞（RBC）图像数据集，并提出了一个两阶段的深度学习框架用于 RBC 图像分割和分类，采用 U-Net 模型进行自动 RBC 图像分割，并使用 EfficientNetB0 模型进行 RBC 图像分类，取得了 98.03％的 IoU 和 96.5％的平均分类准确率。与其他知名 CNN 模型进行的实验比较表明，该模型在性能和计算成本之间取得了良好的平衡。

Mar, 2024

自我监督学习和半监督学习在医学影像领域的新进展，通过 S4MI（自我监督和半监督医学影像）管道，使用 10% 标签注释的自我监督学习在大多数数据集的分类任务上表现优于 100% 标签注释，而使用 50% 标签数较少的半监督方法在三个数据集的分割任务上表现更好。

Nov, 2023

通过机器学习和深度学习模型应用于医学图像分析，本研究主要关注白细胞分类的现代技术，并提供了有关最常用的技术和最佳白细胞分类方法的宝贵见解，同时指出了数据集可用性、研究人员医学培训和使用高级深度学习网络的挑战。

Aug, 2023

本文提出一种新算法，将半监督和主动学习相结合，通过用少量的有标签数据来训练分割算法。我们通过用自我训练方法替换半监督学习的平均教师方法，以处理带有噪声的标签，进一步增强神经网络的能力来查询有用的数据，从而实现了超越现有半监督方法的性能。在 CamVid 和 CityScapes 数据集上评估我们的方法，仅使用了 12.1% 和 15.1% 的标签数据，分别实现了 95% 以上的准确率。

Oct, 2022

本文提出了一种基于自学习的方法，即协同知识共享，用于在单细胞分割模型的弱监督训练中，通过共享主模型和轻量级协作者模型之间的知识来缓解大规模训练数据的需要。实验结果表明该方法在不需要大规模手动标注训练数据的情况下，能够取得较好的单细胞分割效果。

Apr, 2023

通过使用双分支网络和迁移学习相结合的方式，该研究的主要目标是自动改进多类别图像分割的训练标签，实验证明了该方法的有效性。

Mar, 2024

提供了一个全面真实且大型的数据集，以便于淋巴细胞白血病的早期诊断，通过使用不同成本和放大率的两个显微镜进行数据收集，并提供了基线模型以及基于形态学信息的属性预测。

May, 2024