如何把大数据小任务转换成小数据大任务

1.标注高效的核心思路：

• 以一变二：数据增广
• 无中生有，利用大量无标注数据：自、半监督学习，对比学习
• 聚少为多，聚集多个数据集为“大数据”：部分监督学习、深度通用学习

1.部分监督PSL

全标注图，除了一个背景p₀，其他5个前景均为器官。对于单个器官，背景+其他器官均为该器官的背景图。考虑到了各个器官的关联性，avg Dice达到了如图所示的.931。

2.自监督SSL

现有：大量的未标签数据和目标任务已有的小部分有标签数据
思路：利用大量的未标签数据定义一个代理任务(proxy task)，通过生成的代理标签进行网络学习，得到一个预训练模型。再拿这个模型作为一个初始化，再通过微调，迁移到我们的目标任务，最后学习到目标模型。

魔方复原

最早探索自监督学习应用到医学图像的例子，像魔方一样可以拆解，打乱，成为代理标签。代理任务就是根据代理标签把魔方复原。

如右图，TFS从零开始，通过使用魔方复原，性能提高了。

3.单一标注

任给一个图像，对于其中的任意一个像素点，可以对该像素点做一个增广图，并且能知道这个像素点的具体位置。训练一个神经网络，进行匹配。

可以通过上面，把特征点的标注，迁移到未标注的数据上。然后进一步训练特征点检测的网络。

无标注

利用简单的一些操作（噪声、滤波、缩放等）合成‘病灶’，重复做一遍可以得到一些像lesion的东西。把这些合成的lesion放到正常的CT里面，利用合成的数据训练分割。
缺点是无法确定lesion的位置

2.深度通用学习DUL

类似于一把红色刀柄上，可以有多把用来做不同任务的刀

对于任务X，不同的Xⁱ+W₀+不同的参数Wⁱ，输出对应的Yⁱ。里面会有不同的架构，架构有两个例子：

1.通用特征点检测

常规思路是对于每个任务训练一个神经网络。
设计的通用网络是在卷积部分中引入特定的参数，其他参数是共享的参数。

2.通用MRI重建

通用架构中引入了自有的参数γ_α和β_α。

3.学习与知识融合

开源网站MONAI
https://blog.csdn.net/l2181265/article/details/120483379
该数据集
前两个是3维的，1000+体数据。第三个是2维。