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

利用临床报告来实现弱标签监督学习以提高癌症检测的准确性。通过将诊断和肿瘤位置文本提示整合到视觉语言模型的文本编码器中，可以有效地在视觉语言模型的潜在空间中进行弱监督学习的优化，从而提高训练的稳定性。在大规模癌症数据集上的广泛数量实验结果验证了我们的方法可以将人工标注工作量减少至少 70%，同时保持与竞争的全监督方法相当的癌症检测准确性（AUC 值 0.961 vs 0.966）。

May, 2024

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

该研究提出了一个使用半监督学习方法的框架，利用未标记的 WSI 数据通过 Minimal Point-Based 标注来准确检测癌症区域，并利用创新的混合损失来训练亚型分类模型，该模型在 3 种不同类型的肾细胞癌中的表现具有可比性和较高的 F1 得分。

Aug, 2020

本文提出了一种称为 FocalMix 的新方法，利用了半监督学习（SSL）的最新进展，以 3D 医学图像检测，经实验证明，在标注不足的情况下，比现有的监督学习方法提高了 17.3％。

Mar, 2020

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

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

本文提出了一种新型的协作自监督学习方法，探索兴趣区域之间的潜在病理或生物关系以及主体之间的相似性和差异性信息，无需大量的标记数据即可从辐射组学数据中学习准确的特征表示，进而提高计算机辅助疾病诊断效果。实验结果表明，该方法在分类和回归任务上优于现有的其他自监督学习方法，并具有大规模无标签数据进行自动疾病诊断的潜在优势。

Feb, 2023

使用多种深度学习模型和多参磁共振成像技术对前列腺癌进行分类和分割，在各种度量指标上表现出优异的性能。

Oct, 2023

本研究提出了一种无监督领域适应方法，用于自动生成乳腺超声成像中乳腺病变感兴趣区域（ROIs）的图像掩膜。我们的半监督学习方法利用在带有真实注释的小型公共乳腺超声数据集上训练的原始模型，针对领域适应任务进行迭代改进，生成私人未标记乳腺超声数据集的伪掩膜。该数据集的大小是公共数据集的两倍，并在图像采集角度和人群代表性方面具有相当的变异性，具有领域转移的挑战。与典型的领域对抗训练不同的是，我们使用下游分类结果作为基准，指导随后迭代中伪掩膜的更新。我们发现分类精度与生成的 ROIs 的完整性之间高度相关，促进了深度学习分类模型的解释性。初步研究结果证明了这种方法在简化 ROI 注释过程，从而增强乳腺病变的分类和定位以进行更精确和可解释的诊断方面的效果和可靠性。

Apr, 2024