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

本文提出了一种名为 LoGoNet 的基于 LiDAR 和相机融合的新型神经网络，该网络能够同时在局部和全局层面上对 3D 物体进行检测，并在 Waymo 和 KITTI 数据集上获得了最佳检测表现。

Mar, 2023

本研究提出一种卷积神经网络和自监督学习的方法，用于在有限标记数据情况下进行高效的三维到二维分割，通过在临床相关任务中验证，证明该方法比现有技术在有限标记数据情况下显著提升了分割性能，并且自监督学习方法可以进一步提高性能，而且对于网络架构无关。

Jul, 2023

本文提出了一个名为 DrasCLR 的新型自监督学习（SSL）框架，采用基于实例鉴别的 SSL 方法，通过两种特定于领域的对比学习策略，在 3D 医学成像中提取具有解析解剖学特定功能的特征，可用于不需要冠军数据来完成许多下游任务，比如肺部图像的预测和分割任务，包括病人存活预测任务和广泛且密集预测的肺气肿子类型检测，这可以大大减少注释精力，并且证明了在自监督学习框架中引入解剖上下文的重要性。

Feb, 2023

本文提出了一种用于医学数据的自监督深度学习的框架，该框架可以联合学习 2D 和 3D 数据，通过用变形注意力机制构建整体特征，并利用预训练语言模型进行掩蔽嵌入预测，提高了 2D Deep-ClusterV2 和 SwAV 的效果，并超越了各种现代 2D 和 3D 自监督学习方法。

Dec, 2022

使用自我监督学习方案对人工智能进行了重要进展，将对比学习整合到现有的自我监督学习模型中，在计算机视觉领域取得了显著的进展，通过提出的模型 Segmentation Localization 对密集预测的语义分割任务进行了评估，并通过实现每个类别一个队列的思想在 MoCo-v2 中避免了假阴性对。

Oct, 2023

LVM-Med 是第一个在大规模医学数据集上训练的深度网络家族，并使用一种新的自监督对比学习算法来优化训练，实验结果表明，在处理医学任务时，LVM-Med 相比于其他现有模型可以获得更好的表现。

Jun, 2023

本文提出了一种称为 FocalMix 的新方法，利用了半监督学习（SSL）的最新进展，以 3D 医学图像检测，经实验证明，在标注不足的情况下，比现有的监督学习方法提高了 17.3％。

Mar, 2020

通过自我监督预训练的卷积神经网络（即 UNet）已经成为在低标注情况下促进医学图像分割的强大方法。我们提出了一种关键点增强的融合层，它提取保留短程和长程自我注意力的表示，并且在全局和局部尺度上引入了自我监督预训练，通过创建关键点之间的对应关系并鼓励特征之间的相似性来提高分割结果。

Oct, 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