通过使用解剖先验与挑战训练数据的部分注释结合的方法，将所有建议的修改用于模型集成，得到的 Dice 得分为 0.6033，并且相比只在 CT 上进行训练时，将地面真实淋巴结分割出来的比例从 27% 提高到了 57%。通过在损失加权和后处理中加入概率淋巴结图谱，显著提高了分割准确性，通过过采样完全注释的数据来应对挑战训练数据的部分注释，并添加额外的数据增强以解决 CT 图像和淋巴结外观的高异质性。

Jun, 2024

该研究提出了一种采用深度卷积神经网络对 CT 扫描中自动检测淋巴结进行分类的方法，并分别在包括 90 CT 体积和 388 个纵隔 LN 以及 86 例患者和 595 个腹部 LN 的两个数据集上验证了其敏感性的极大提高。

Jun, 2014

通过利用公共的 TotalSegmentator 工具生成的 28 个不同结构（如肺部、气管等）的解剖学先验知识，我们提出了一种在纵隔中分割淋巴结的方法，通过三个 3D nnUNet 模型对 89 位患者的 CT 体积进行训练，并使用包含 15 名患者的公共 St. Olavs 数据集对分割性能进行评估。通过识别初始分期 CT 扫描中的肿大淋巴结，我们的工作具有显着的潜力改善患者的预后。

Jan, 2024

用逐步的方式查找转移组织的任务通常很具有挑战性，这篇研究提出了使用基于深度卷积神经网络的半监督学习方法的模型来自动分析肿瘤病理扫描图像中的前哨淋巴结状态，表现比标准 CNN 基准表现更好，并在 PatchCamelyon 数据集上进行了验证。

Jun, 2019

本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估，显示出一定的潜力.

Apr, 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

本文提出了一种利用机器学习技术进行肝脏和淋巴结中癌变病灶精确鲁棒检测和分割的全自动方法，验证表明此方法对高度多样化的病灶具有较好的鲁棒性。

Mar, 2017

提出了一种在弱监督学习下用于疾病定位的方法，使用预训练的深度卷积网络、特征嵌入、以及基于多实例学习的顶部实例和负面证据学习等技术，即使在没有像素级别注释的情况下，仅通过图像级标签进行训练也能够展现出与强监督学习相当的性能。

Feb, 2018

本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。

Feb, 2021

本文提出了一种使用不完全标注的乳腺 X 线照片数据集进行恶性乳腺病变检测 的弱监督和半监督学习算法，并在真实数据集上对其进行了检测实验研究，取得了最先进的检测结果。

Jan, 2023