该研究提出了一种基于差异的主动学习方法，有效缩小类激活图与真实结果之间的差距。在WCE数据集评估中，该方法在仅标记10%训练数据的情况下，性能优于现有主动学习方法。此外，研究开发了基于视频胶囊内窥镜图像的出血区域分割策略，减少了对大量标注数据的依赖。

本研究使用3117个老年痴呆研究队列和记忆门诊的MRI扫描图像，发现更广泛的训练图像可以提高深度学习模型在诊所数据集中的泛化能力。未来的研究需要在多个外部队列上进行评估以得到可靠的结果。

本研究通过文献研究探讨机器学习在血管分割中的应用，使用HiP CT数据集进行实验评估，结果显示分割性能较好但存在错误。研究旨在为后续模型评估建立基准，特别是使用HiP CT数据库。

评估了Segment Anything Model (SAM)在组织病理学数据的零样本和微调场景下的性能，发现SAM在分割性能上相对较弱，但在推理时间和泛化能力方面相对较强。对SAM解码器进行修改，提高了交互式组织学图像分割的效果。

本文介绍了一种基于变分贝叶斯的半监督深度学习方法，用于UWB定位系统的误差校正。该方法融合了深度学习技术和统计工具，能够从有标记和未标记的数据样本中高效地累积知识。