HiLab-git/SSL4MIS · 上手攻略

  • 仓库：HiLab-git/SSL4MIS
  • 链接：https://github.com/HiLab-git/SSL4MIS
  • 分类：学术 / 医学影像 / 半监督学习
  • 作者：Tom
  • 更新：2026-08-20

这是什么

SSL4MIS（Semi Supervised Learning for Medical Image Segmentation）是一个医学影像分割领域的半监督学习论文与代码汇总仓库，由 HiLab 团队维护。它不是一个可以直接跑起来的框架或工具，而是一个持续更新的文献 + 代码索引库——追踪这个领域从 2019 年至今几乎所有重要的论文及其官方实现。

每一项条目包含：论文标题、作者、代码链接（若有）、发表会议/期刊。你可以用它来： - 了解某个方向的最新进展 - 找某篇论文的官方代码 - 追踪某个特定方法（如 Mean Teacher、Cross Pseudo-Supervision）的发展脉络

解决什么问题

医学影像标注成本极高——一个 CT/MRI 序列的像素级标注可能需要放射科医生花数小时。因此少标注+半监督学习是医学影像分割的核心研究方向。

SSL4MIS 解决的是"这个领域论文太多太分散，我该怎么系统了解"的问题。它按时间倒序排列，提供了从 MICCAI、CVPR、TMI、MedIA、AAAI、NeurIPS 等顶会顶刊的论文地图。

内容结构（按时间线）

以下是该仓库收录的代表性工作（按年份分组，完整列表请直接查阅 GitHub README）：

2025 年（最新）

  • CCA（Contrastive Cluster Assignment，NN 2025）——对比聚类分配，用于监督和半监督医学影像分割
  • SGTC（AAAI 2025）——语义引导三元组协同训练，稀疏标注场景
  • Prototype-Augmented Mean Teacher（PR 2025）——原型增强的 Mean Teacher

2024 年

  • DiffRect（ECCV 2024）——潜空间扩散标签纠正
  • CrossMatch（JBHI 2024）——扰动策略 + 知识蒸馏增强
  • DDL（TMI 2024）——解耦跨学生学习的 3D 医学影像半监督分割
  • MiDSS（CVPR 2024）——混合域半监督医学影像分割的中间域构建

2023 年

  • PatchCL-MedSeg（CVPR 2023）——伪标签引导的对比学习
  • MCF（CVPR 2023）——互纠正框架
  • Co-BioNet（Nature Machine Intelligence 2023）——不确定性引导双视图
  • CAML（MICCAI 2023）——相关性感知互学习

更早期（~2019 起）

  • Mean Teacher 系列最早的医学影像适配
  • Cross Pseudo-Supervision（CPS） 系列
  • Deep Semi-Supervised Segmentation 系列经典工作

快速查找指南

该仓库本身不需要安装，你只需要浏览 GitHub README。以下是高效使用方式：

按方法找论文

README 的结构是时间倒序，但你可以通过 GitHub 页面的 Ctrl+F 搜索关键词： - Mean Teacher → Mean Teacher 系列所有工作 - pseudo label → 伪标签相关所有论文 - consistency regularization → 一致性正则化路线

按会议/期刊筛选

在 GitHub 上用 site:github.com HiLab-git/SSL4MIS "CVPR" 可快速定位某会议的论文。

找代码实现

README 中有 Code 链接的条目，直接跳转对应仓库。约 50% 的论文有官方代码实现。

典型适用场景

场景 怎么用 SSL4MIS
写论文 related work 快速定位某方向的所有里程碑工作
研究开题 了解某方向最新进展，避免重复
复现论文 直接从 README 点进官方代码仓库
工程落地选型 根据论文发表 venue 和代码质量判断可靠性
竞赛参赛 找最新 SOTA 方法的 PyTorch 实现参考

主流方法分类（从仓库文献提炼）

SSL4MIS 收录的方法可粗分为以下技术路线：

1. Mean Teacher 系列

核心：用 teacher 模型生成伪标签监督 student 模型。代表作： - 原始 Mean Teacher（NeurIPS 2017）→ 医学影像适配版 - AC-MT（MedIA 2023）——选择性一致性正则化

2. 互学习（Mutual Learning）

两个或多个学生网络互相教学，典型： - CAML（MICCAI 2023）——相关性感知互学习 - MCF（CVPR 2023）——互纠正框架 - Mutual Learning with Reliable Pseudo Labels（MedIA 2024）

3. 对比学习 + 半监督

  • PatchCL-MedSeg（CVPR 2023）
  • DHC（MICCAI 2023）——双去偏异构协同训练

4. 扩散模型辅助

  • DiffRect（ECCV 2024）——用 Latent Diffusion 纠正伪标签

5. 联邦学习 + 半监督

  • HSSF（TMI 2024）——模型异构的半监督联邦学习

坑与注意

  1. 这不是一个可运行框架：SSL4MIS 是文献索引，没有 pip install ssl4mis 这种东西。你拿到的是论文列表和代码链接，用不用得上取决于你会不会用 GitHub。

  2. 代码链接可能失效：有些论文标注 None（无代码），有些代码仓库可能已转为 private 或被归档。使用前请验证链接有效性。

  3. 不含论文 PDF：所有链接都是 arXiv / 会议官网 / GitHub，不直接提供 PDF 下载（尊重版权）。

  4. 更新频率：仓库维护依赖 HiLab 团队跟进论文，热门方向（2024-2025）的更新相对及时，但非热门方向可能有遗漏。

  5. 按时间排序，不是按质量/影响力排序：新论文不一定比旧论文更好，读的时候需要自己判断论文的实际贡献。

  6. 缺少直接的 Benchmark 对比：仓库没有提供各方法在统一数据集上的性能对比表格，需要你自己去对应论文的 Table 里找。

与同类对比

特性 SSL4MIS medicalseg（其他类似库） nnU-Net 生态
内容 论文 + 代码索引 框架代码 分割网络基准
侧重点 半监督学习 通用医学影像分割 全监督
更新 论文驱动 代码驱动 比赛驱动
覆盖范围 主要限半监督方向 较宽 较宽

SSL4MIS 是半监督医学影像分割方向最系统的文献追踪工具，目前没有发现直接对标的同类型仓库（专门聚焦这个细分方向的）。

一句话推荐结论

SSL4MIS 是医学影像分割半监督学习方向的"论文地图"，没有它你也能做研究，但有了它你能更快定位到正确的工作——无论你是写 related work、找复现参考，还是追踪 SOTA 进展，它都是目前最值得收藏的单一入口。