本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

Jun, 2023

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

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

提出了一个综合框架，通过基于对抗自编码器的病变生成器和软泊松融合算法，高效地生成用于训练脑部病变分割模型的新的逼真样本，并引入原型一致性正则化以实现真实和合成特征的对齐，验证表明该方法在两个公共脑部病变分割数据集上优于现有的数据增强方案。

Jun, 2024

本研究中，我们对自我集成方法进行了扩展，探讨了多个方面，证明自我集成即使在使用少量非标记数据时也能提高模型的泛化能力，从而在医学成像应用中解决了单一领域下模型泛化的问题。

Nov, 2018

本研究探讨了基于强数据扩充的无监督自我学习技术在人工智能应用中的重要作用，以乳腺癌检测为例，通过实验验证表明使用该技术可以大幅提高数据利用率，而且更容易迁移到其他数据集，是医学图像人工智能领域迈向无监督学习和去掉传统稀缺标签的重要突破。

Mar, 2022

基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制，往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法，通过利用 MRI 特定的增强技术，在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估，并与目前最先进的方法进行比较。结果表明，我们提出的方法在各种任务中均具有高准确性、广泛适用性，并且对于不同领域的转移表现出非凡的鲁棒性，超过了大部分情况下的最先进性能。

Aug, 2023

利用自我监督学习方法，通过预训练的遮蔽自动编码器在 Digital Elevation Models 上提取建筑物和道路分割，有效利用有限的标注数据，为地表变化频繁的任务提供数据高效的学习器。

Sep, 2023

本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

May, 2023

通过使用未标注图像和基于病灶位置的半监督学习模型，可以改善前列腺病变检测，降低标注负担。

Jun, 2024