半监督：基于少量人工标记的深度学习医学图像分割

导读

随着人工智能，尤其是深度学习技术的迅速发展，基于深度学习的分割方法已在图像分割领域取得了良好的效果，相比传统的机器学习和计算机视觉方法，深度神经网络在分割精度和速度等方面都具有一定的优势。其分割准确度已经超过了传统的分割算法。可以说，深度学习算法在图像处理中具有重要的理论研究意义以及实用价值。然而，目前的深度学习算法主要依靠训练数据，需要大量的手工标记数据用于训练。由于医学图像数据量较大，而且人工标记非常的耗时费力，可能还会有主观意识产生的误差，限制了深度学习方法在医学图像分割领域的应用[1]。
半监督方法通过引入领域知识降低了算法对人工标记数据的需求量，很大程度上缓解了数据标注的难度，是解决数据标记问题的一种重要途径。

半监督

半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。当使用半监督学习时，将会要求尽量少的人员来从事工作，同时又能够带来比较高的准确性，因此，半监督学习目前正越来越受到人们的重视[2]。

详见参考这篇博客：https://www.cnblogs.com/kamekin/p/9683162.html

论文1

title：
Transfer Learning from Partial Annotations forWhole Brain Segmentation

下载地址：https://link_springer.xilesou.top/chapter/10.1007/978-3-030-33391-1_23

具体介绍详见下篇博客
https://blog.csdn.net/weixin_43876801/article/details/103158165

论文2

title：
Removing segmentation inconsistencies with semi-supervised non-adjacency constraint

下载地址：
https://sciencedirect.xilesou.top/science/article/pii/S1361841519300866

具体介绍详见下篇博客
https://blog.csdn.net/weixin_43876801/article/details/103155799

参考：
[1]基于深度学习的医学图像分割技术
[2]百度百科 半监督