提出了一种名为 JCL 的新型不对称对比学习框架，用于医学图像分割的自监督预训练，多级对比损失设计确保了编码器和解码器在预训练期间可以学习到多级表示，实验证明该框架优于现有的对比学习策略。

Sep, 2023

文章提出了一种基于位置的对比学习 (PCL) 框架，用于从未标记的医学图像数据中生成对比数据对，以改善在医学图像分割中存在的假阴性对的问题，并在 CT 和 MRI 数据集上得到了实验验证。

Jun, 2021

该研究论文提出了一种基于前向前向对比学习的图像分类预训练方法，通过将前向算法与对比学习结合，可以构建出更加具有鲁棒性的分类模型，实验结果表明该方法可以取得比现有预训练模型更加出色的分类性能。

May, 2023

利用图像和诊断报告的多模态深度学习在医学影像诊断领域取得了显著进展，尤其在缺乏足够注释信息的辅助诊断方面具有强大的能力，然而，没有详细位置注释的准确定位疾病仍然是一个挑战，现有的方法已尝试利用局部信息实现细粒度语义对齐，但其在提取综合上下文内的细粒度语义能力有限，为解决这一问题，我们提出了一种新的方法，将文本报告中的完整句子作为局部语义对齐的基本单元，我们的方法结合了胸部 X 射线图像和相应的文本报告，在全局和局部层面进行对比学习，我们的方法在多个数据集上取得的领先结果证实了其在病灶定位任务中的有效性。

Jan, 2024

本研究开发了一种对深度学习模型进行增广的对比学习方案，通过多样性图片样式训练深度学习网络，可以提高深度学习模型的泛化能力，改进了乳腺摄影病变检测性能，胜过了许多先进的泛化方法。

Nov, 2021

该研究提出了一种新的方法，将对比学习与语言模型相结合，通过自我增强方法改进模型的表示，并在与各种疾病相关的社交媒体数据集上取得了显著的改进。

Apr, 2024

通过关系增强的对比学习框架（RECLF），我们提出了一种可以模拟匹配间关系的医学图像表示学习方法，该方法利用医学图像报告作为弱监督，并通过图像 - 文本对齐实现。我们的结果表明，通过模拟匹配间关系，我们的 RECLF 方法可以学习到具有更好泛化能力的改进型医学图像表示。

Jan, 2024

通过提出的 Gradient Mitigator 方法，我们解决了梯度引导的方式下不相容的多角度元标签之间的 “语义矛盾” 问题，并开发了一种名为 Gradient Filter 的新方法，根据梯度幅度动态筛选具有最具区分性能量的像素对，从而使得经过预训练的模型实现更好的高级语义识别能力。综合实验验证了我们的新方法 GCL：（1）学习了信息丰富的图像表示并显著提高了使用有限标签的分割性能，（2）在分布不一致的数据集上展示了良好的泛化能力。

Sep, 2023

本文提出一种新的混合阶段的自主课程学习（Mo-SCL）方法，通过集成不确定性和损失来更好地在线估计难度，并将易于和困难样本混合在同一个小批次中以适当地缓解困难样本的问题，在医学图像分析任务中（如通用病变检测）获得了成功。

Feb, 2023

本文介绍了一种基于半监督关系对比学习的皮肤病诊断方法，通过有效利用未标记图像进行预训练 / 精调并验证了其在不同标记数据数量下的有效性。

Apr, 2023