通过自我监督学习策略，利用人体解剖的分级性质和组成性，该模型提供了与全 / 自我监督方法相比改进了 9% 到 30% 的分割任务性能以及增强了注释效率，并且能够更好地理解人体解剖学。

Sep, 2023

该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

Apr, 2020

通过深度生成网络模拟人体解剖分割的总体和局部形貌特征，并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断，从而为大规模的体积成像研究提供高通量分析的新方法。

Jun, 2019

本研究提出了一种新的自我监督学习框架 ——Alice，旨在针对医学图像领域中异构数据及医学结构的特殊性，明确实现解剖不变性建模和语义对齐，其中主要涵盖对比学习策略及条件解剖特征对齐模块，进一步提高了 3D 医学图像分割下的性能表现，超过之前的同类方法。

Feb, 2023

本文研究在医学成像中使用组合性来学习更可解释和泛化的表示，通过使用可学习的 von-Mises-Fisher (vMF) 核来建模组成性表示，并探索如何使用不同的设计和学习偏差来实现半监督域泛化医学图像分割任务的最佳性能。

Jun, 2023

本研究提出了一种自我监督学习的深度模型，命名为 Semantic Genesis，通过自主发现、自我分类和自我恢复医学图像下的解剖学，来学习语义丰富的视觉表征，具有较高的性能表现，适用于医学分类和分割。

Jul, 2020

通过引入简单的正则化技术以及利用类别级别属性注释对神经网络进行特征空间分解，本工作试图弥合深度学习模型与人类学习之间的鸿沟，证明组合表示的价值并展示少量样本即可学习新类别的分类器。

Dec, 2018

基于自我监督解剖嵌入（SAM）的 SAMv2 是一个统一的框架，通过学习外观、语义和跨模态的解剖嵌入，克服了医学图像分析中的挑战，提供了一种在基于标志点的医学图像分析任务中表现优异的方法。

Nov, 2023

本文在单目图像 3D 形状重建领域引入了组合通用性的概念，并提出了一个新的框架来 better generalize 到那些有着非常不同的形状几何分布的看不见的目标类别。实验证明，我们的方法在 PartNet 中达到了比最先进的方法更高的性能，验证了我们的问题分解和网络设计的有效性。

Dec, 2020

研究者提出了一种称为 Models Genesis 的自学习模型，使用自我监督学习方法，利用医学图像中的解剖特征实现了从自然图像到医学图像的迁移学习，并在医学影像的分类和分割等任务中取得了比 ImageNet 更好的结果。

Apr, 2020