如何把自监督和聚类方法整合到nnUNet框架，请推荐近几年的top的会议工作

近年来，越来越多的研究人员开始探索如何将自监督和聚类方法整合到nnUNet框架中，以下是一些近几年的顶会工作：

1. "Self-supervised Learning for Medical Image Analysis using Image Context Restoration"（MICCAI 2021）：该工作提出了一种自监督学习方法，通过图像上下文恢复任务生成高质量的特征表示，并将其用于聚类分割任务。

2. "Unsupervised Medical Image Segmentation with Contrastive Learning"（MICCAI 2021）：该工作提出了一种基于对比学习的自监督方法，用于无监督地学习特征表示，并将其用于聚类分割任务。

3. "Semi-Supervised Learning for Medical Image Segmentation via Clustering and Self-Training"（MICCAI 2020）：该工作提出了一种半监督学习方法，将聚类和自训练相结合，用于在有限的标记数据下进行医学图像分割。

4. "Unsupervised Medical Image Segmentation using Pseudo-Labels"（MICCAI 2019）：该工作提出了一种基于聚类的自监督方法，使用伪标签进行训练，并将其用于无监督地学习特征表示和医学图像分割。

这些工作提供了许多有价值的思路，可以帮助研究人员将自监督和聚类方法整合到nnUNet框架中，同时也为未来的相关研究提供了参考。