准确分割脑血管对于脑血管疾病的诊断和治疗至关重要。本文提出了一种自适应半监督方法，通过创新的技术，包括渐进式半监督学习、自适应训练策略和边界增强，解决了存在的小血管捕捉和部分或模糊标注数据处理的挑战。实验结果表明，我们的方法在基于网格的分割度量方面具有优越性。通过利用部分和模糊标记的数据对主要血管进行标注，我们的方法在错标细小血管的分割性能方面取得了令人瞩目的成果，展示了其在临床应用中的潜力。

Aug, 2023

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

本文提出了一种半弱监督分割算法，基于新的深度监督学习方法和学生 - 教师模型，结合各种监督信号以实现易于集成，有效地减少了昂贵标注的要求。经过实验验证，该算法在视网膜液体分割上取得了成功。

Apr, 2021

这篇论文提出了一种递归式的训练策略，在使用非常少的带有像素级注释的训练样本的情况下，通过使用较便宜的图像级标注扩展这个小的训练样本集，完成语义分割的任务，进而应用于颅内出血的分割。

Mar, 2020

通过整合各种任务到一个统一模型并利用大量未标记数据来进行半监督医学图像分割，我们介绍了一个名为 VerSemi 的全新的多功能半监督框架，实验证明它在公共基准数据集上始终可以通过较大的边际优势（例如，在四个数据集上平均达到 2.69％的 Dice 增益）超越其他方法，为半监督医学图像分割设定了新的最佳表现。

Nov, 2023

这篇文章主要介绍了在医学图像分割领域中，利用卷积神经网络进行高性能分割所需要的大量高质量标注数据的问题，并且探讨了如何解决数据集缺陷，包括有限的标注和不完美的标注问题。

Aug, 2019

本文介绍了一种用于脑部损伤分割的半监督学习方法，借助未标记的数据提高了卷积神经网络的性能，并通过实验在缺乏注释的数据上获得了良好的结果。

Mar, 2019

基于部分血管标注提出一种弱监督学习框架，通过学习血管的局部特征、全局结构和特征原型，实现精确的冠状动脉分割，在冠状动脉 CTA 图像上超过了其他方法的表现，并且在血管的主干连续性上达到了与全注释模型相当的性能。

Jul, 2023

本研究提出了一种基于对比的变分模型，用于生成组织病理学图像分割效果，旨在作为弱监督深度学习分割模型的可靠补充监督，并证明其在组织病理学图像分割方面的有效性和效率。

Apr, 2023

使用合成数据来监督分割算法，提出了一种在小鼠脑部 3D OCTA 图像中实现无标记血管分割的方法。

Mar, 2024