本文提出了一种用于医学数据的自监督深度学习的框架，该框架可以联合学习 2D 和 3D 数据，通过用变形注意力机制构建整体特征，并利用预训练语言模型进行掩蔽嵌入预测，提高了 2D Deep-ClusterV2 和 SwAV 的效果，并超越了各种现代 2D 和 3D 自监督学习方法。

Dec, 2022

本研究提出一种卷积神经网络和自监督学习的方法，用于在有限标记数据情况下进行高效的三维到二维分割，通过在临床相关任务中验证，证明该方法比现有技术在有限标记数据情况下显著提升了分割性能，并且自监督学习方法可以进一步提高性能，而且对于网络架构无关。

Jul, 2023

最近，自监督学习方法已被用于对二维和三维医学图像的分割模型进行预训练。本文提出了一种新的自监督对齐学习框架来预训练医学图像分割的神经网络，其中包括了一个全新的局部对齐损失和全局位置损失。实验结果表明，该对齐学习方法在有限标注的 CT 和 MRI 数据集上与现有的自监督预训练方法具有竞争力。

Jun, 2024

本文旨在改进标准的 2D 自监督学习算法，通过对数据集的内在 3D 特性进行建模来解决在 3D 医疗数据中应用的计算资源问题，并且提出了两个改进版本，证明在各种下游任务中，这两个版本往往优于基准模型，同时也几乎不带来额外的开销，提高了医疗应用中这些方法的普及性。

Feb, 2024

本文提出了一个名为 DrasCLR 的新型自监督学习（SSL）框架，采用基于实例鉴别的 SSL 方法，通过两种特定于领域的对比学习策略，在 3D 医学成像中提取具有解析解剖学特定功能的特征，可用于不需要冠军数据来完成许多下游任务，比如肺部图像的预测和分割任务，包括病人存活预测任务和广泛且密集预测的肺气肿子类型检测，这可以大大减少注释精力，并且证明了在自监督学习框架中引入解剖上下文的重要性。

Feb, 2023

T3D 是为高分辨率 3D 医学图像设计的首个 VLP 框架，通过两个文本感知的预训练任务，即文本感知的对比学习和文本感知的图像恢复，从高分辨率的 3D 医学图像中学习 3D 视觉表示，整合临床知识，拥有在器官和肿瘤分割以及疾病分类等任务中显著优于现有 vSSL 方法的潜力。

Dec, 2023

本文提出了针对五种不同的自监督学习方法的三维版本，利用这些技术进行神经网络特征的学习，通过对三维图像的预处理，显著提高语义表示的精确性，从而在医学成像领域实现了数据效率、性能和收敛速度的提升，具有较高的竞争力和可扩展性。

Jun, 2020

本文探讨了采用不同类型的预训练数据对于 3D 人体姿态与形状估计的影响，并发现基于 2D 注释的预训练方法在提高精度和优化速度方面优于自监督学习方法。

Mar, 2023

本文提出了一种基于 PriorGuided Local (PGL) 自监督模型的图像分割方法，该方法利用空间转换来捕捉局部一致性，构建局部一致性损失以最小化拉平后的特征图之间的差异，并在四个公共计算机化断层扫描（CT）数据集的验证中表现出卓越的性能。

Nov, 2020

本研究提出了基于类别置信度的三维半监督学习方法，在动态阈值策略和重新采样策略的帮助下，成功地解决了三维不平衡数据状态下监督学习的问题，并在分类和检测任务中得到了显著提高。

Oct, 2022