本研究提出一种自我蒸馏技术，基于 SimMIM Transformer 在牙科全景 X 射线拍摄中进行牙齿编号、检测牙科修复和矫正设备以及实例分割任务。结果表明，该方法优于其他自我监督学习方法，并改进了牙科全景 X 射线图像的注释。

Jun, 2023

采用半监督学习框架，结合大型语言模型和自编码器，通过对口腔放射病例报告进行注释和无标签数据利用，成功实现了牙科全景放射病例的自动化分类，结果表明该方法在鉴定牙齿相关病症上具有与初级专家相当的准确性。

Jun, 2024

使用深度学习进行全景牙科 X 射线图像的自动检测和疾病诊断的研究，提出了一种结合分割和检测模型的方法来检测异常牙齿并获取其编号。

Aug, 2023

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

该论文提出了一种解决 MICCAI 2023 全景 X 射线中牙齿枚举和诊断问题的方法，通过多阶段框架检测和分类异常牙齿，包括牙齿实例检测、健康实例过滤和异常实例分类等步骤，各模型的性能分别为 0.49 的 AP 分数、0.71 的 F1 分数和 0.76 的 F1 分数。

Aug, 2023

本文通过对三种不同模型以及 420 种不同任务的广泛实验，认真研究了数据增强在异常检测中的作用，得出自监督作为另一个模型超参数，需要根据真实异常特征仔细选择数据增强方式的结论，并且在缺乏对应的情况下，自监督甚至会降低准确性，从而为未来的研究提供了新的方向

Aug, 2022

本文通过使用自监督表示学习方法，在只有少量无标签 RGB-D 数据集的情况下，利用两个预处理任务（跨模态自编码器和深度轮廓估计）对 CNNs-Based RGB-D 显着物体检测网络进行预训练，建立一个富有语义上下文的网络初始化，同时提出了一种一致性 - 差异性聚合模块（CDA）来解决 RGB-D SOD 中的跨模态融合问题。实验结果表明，本文的自监督预训练模型表现优于那些在 ImageNet 上进行预训练的最先进方法。

Jan, 2021

自我监督学习方法在分类若干窦腔异常时表现出优越性能，尤其在数据有限的情况下。通过使用 3D 卷积自编码器训练异常检测模型，我们达到了 0.79 的 AUPRC 性能，超过现有通用的自我监督方法。

Apr, 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

本文介绍了基于自我调整自监督异常检测（ST-SSAD）的新方法，该方法通过数据扩充来调整超参数，从而在语义类异常和微妙的工业缺陷中实现了显著的性能提升。

Jun, 2023