本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和 / 或数据层扰动 - 变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。

Sep, 2020

本文提出了基于区域级别对比和一致性学习框架 (RC^2L) 的半监督语义分割方法，通过引入区域级别损失，包括 Region Mask Contrastive (RMC) 损失、Region Feature Contrastive (RFC) 损失、Region Class Consistency (RCC) 损失和 Semantic Mask Consistency (SMC) 损失，实现了更好的稳定性和性能。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验结果表明，所提出的方法优于现有最先进方法。

Apr, 2022

本文提出了一种特征空间重整化机制 (FSR) 作为半监督学习的一种代替一致性正则化方法的方法，并将其与伪标签相结合，得到了一种名为 FreMatch 的新型有效的半监督学习模型，实验证明该方法在多种标准半监督学习基准数据集上能够取得更好的性能，并且所提出的特征空间重整化机制还能增强其他半监督学习方法的性能。

Nov, 2023

本研究提出了一种新颖的对比学习框架，它将本地化区域对比技术（LRC）融入到现有的半监督自监督预训练方法中，以增强医学图像分割的性能。通过在三个多器官分割数据集上的大量实验，我们证明在受限注释的情况下将 LRC 集成到自监督方法中可以显著提高分割性能。此外，我们还表明 LRC 也可以应用于完全监督的预训练方法以进一步提高性能。

Apr, 2023

我们提出了一种名为 LeFeD 的半监督学习方法，通过训练差异化的解码器并从不一致的信息中学习，学习来自两个解码器的特征级差异，并将差异作为反馈信号馈送到编码器中，从而在三个公共数据集上取得了超越竞争对手的结果，为半监督医学图像分割设定了新的技术标准。

Sep, 2023

通过提出聚合和解耦框架，本文旨在开发一种通用的半监督学习框架，以解决三个不同背景下的问题：分布不变特征的捕获能力弱以及在训练过程中未标记数据被标记数据所压倒引起的过拟合问题。所提出的框架在四个基准数据集的评估中表现出显著的改进，证明其在更具挑战性的半监督学习场景中的潜力。

Oct, 2023

本文提出了一种新颖的正则化策略，包括基于插值的混合策略，以此来解决医学图像分割任务中像素级注释不足的普遍问题。实验证明该方法比现有的半监督模型更具优越性，且不需要额外的计算。

Feb, 2022

本文提出了一种用于 3D 医学图像分割的半监督学习方法 --TraCoCo，并将传统的均方误差 Semi-Supervised Loss 替换为新的交叉模型置信二元交叉熵损失（CBC），该方法采用不同的空间输入上下文扰动视图，使模型能够从视觉对象中学习分割模式，并通过 CutMix 数据增强进一步提高预测的泛化能力。结果表明，该方法在 Left Atrium 和 Brain Tumor Segmentation 数据集中取得了最先进的效果。

Mar, 2022

本文提出了一种 MCSC 框架，联合训练 CNN 和 Transformer 模型，并采用多尺度交叉监督对比学习来对医学图像进行结构分割。实验证明，该方法在 Dice 系数上比现有的半监督方法提高了 3.0% 以上，并且大大缩小了与全监督方法之间的性能差距。

Jun, 2023

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019