本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高Dice-score性能，超过使用域标签的先前研究成果。

Jan, 2022

提出一种用于半监督医疗图像分割的简单而有效的方法 DPMS，重点在于通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升了 SSMIS 的性能。

Aug, 2023

本研究提出了一种新方法，将Segment Anything Model (SAM)与领域特定知识相结合，可用于构建医学图像分割模型，通过迭代的方式，将无标签图像与SAM和领域特定知识相结合，有效地进行半监督学习，以实现标签效率高的医学图像分割。实验证明该方法在乳腺癌、息肉和皮肤病变分割方面具有有效性，为医学图像分割的半监督学习开辟了新的方向。

Aug, 2023

SAM-Med2D是目前最全面的研究，通过收集和整理公开和私有数据集的约4.6M图像和19.7M掩膜构建了一个包括不同模态和对象的大规模医学图像分割数据集，并通过包围盒、点和掩膜的综合提示将自然图像分割模型SAM应用于医学图像分割，进行了彻底的微调，获得了最佳性能和泛化能力。

Aug, 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

通过联合使用半监督学习与领域泛化方法，提出了SSL-DG，实现了在有限标注数据下的跨域泛化效果，并在两个具有挑战性的领域泛化任务中显著优于现有方法。

Nov, 2023

通过整合各种任务到一个统一模型并利用大量未标记数据来进行半监督医学图像分割，我们介绍了一个名为 VerSemi 的全新的多功能半监督框架，实验证明它在公共基准数据集上始终可以通过较大的边际优势（例如，在四个数据集上平均达到2.69％的 Dice 增益）超越其他方法，为半监督医学图像分割设定了新的最佳表现。

Nov, 2023

通过将Segment Anything Model (SAM) 的伪标签作为辅助来增强半监督医学图像分割的学习过程，能够显著提升现有的半监督框架在极为有限的标注图像情况下的性能。

Dec, 2023

医学图像分割中存在有限标注和领域转移的问题，传统的半监督分割和无监督领域自适应方法只解决了其中一个问题，本文提出了一种新的具有挑战性的情景：混合领域半监督医学图像分割（MiDSS），并通过引入统一的复制-粘贴（UCP）和对称引导训练策略（SymGD）解决问题，进一步使用训练过程感知的随机幅值混合（TP-RAM）方法以获得更好的分割结果。

Apr, 2024

我们提出了一种跨提示一致性方法与Segment Anything Model（CPC-SAM）实现半监督医学图像分割，用于从稀缺标记和有价值的未标记数据中有效学习，在两个医学图像分割任务中验证了该方法的优越性。

Jul, 2024