熵自助法用于弱监督细胞核检测
本文提出了一种弱监督方法，可以在密集条件下分割相互接触、边界不清的单个细胞区域，无需单独的训练数据，通过多种显微镜捕获的多种细胞类型的数据集验证了该方法的有效性。
Nov, 2019
本文提出了一种基于部分点注释的弱监督分割框架，其中包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。
Jul, 2020
本研究旨在开发一种自动计数血管壁动脉粥样硬化斑块细胞的方法，并使用弱监督学习方法训练HoVer-Net模型来检测荧光图像中的细胞核，并使用熵最小化损失函数来提高该模型在周围未标记区域的预测置信度。
Jul, 2022
本文提出了一种名为WSSIS的学习方法，使用点标签实现高效的实例分割，同时引入MaskRefineNet来处理少量标签数据的情况，并在COCO数据集上进行了丰富的实验，获得了比当前半监督方法更好的表现(33.7% vs. 24.9%)，代码提供在https URL上。
Mar, 2023
提出了一种EREJ (Entropy Regularization and Distribution Alignment-based Joint-training) 弱监督三维分割学习策略，通过引入熵正则损失和分布对齐损失，将伪标签和模型预测之间的差距缩小，从而利用所有未标记的数据点以提高性能。
May, 2023
本文提出了一种称为循环学习的新型图像水平弱监督方法，应用于核实例分割，通过将前端分类和后端半监督实例分割任务相结合，循环共享知识，从图像级标签中提取潜在信息，实现更好的优化，其在三个数据集上的实验均表现出优秀的广泛性，并取得了与完全监督方法可比较的性能。
Jun, 2023
该研究提出了一种用于细胞核图像分割的单点提示网络（SPPNet），以取代现有的大量参数的图像编码器，并使用高斯核的新的点采样方法，实现了更快的训练收敛速度和推理速度，并在医疗临床应用方面更具可行性。
Aug, 2023
通过少量局部标注创建的弱监督学习模型在神经科学研究中的电子显微镜（EM）图像的精确细胞器实例分割任务上取得了显著的性能提升，比无监督域自适应方法更具实际应用价值。
Mar, 2024
使用领域自适应的弱监督核分割框架，通过交叉任务相互作用策略克服伪标签生成的挑战，并通过弱注释数据训练辅助检测任务，设计一种一致特征约束模块来提高领域自适应的效率。此外，我们还开发了伪标签优化和交互式训练方法来提升领域转移能力，实验证明我们的方法在六个数据集上具有优越性能。
Apr, 2024