通过自我监督对比预处理模型，将 COPD 的二元分类转化为异常检测任务，提出了 cOOpD 算法，并获得了两个公共数据集中 AUROC 方面的最佳表现。

Jul, 2023

应用迁移学习技术，通过纹理数据库来改进深度卷积神经网络的训练方法，并将不同卷积神经网络中的知识结合，进而实现肺组织病变的分类，该方法的成功应用表明了在医学图像分析领域中，训练神经网络的方法同样重要于设计它的架构。

Dec, 2016

针对慢性阻塞性肺疾病（COPD）的早期风险预测问题，首次提出了基于深度学习的 DeepSpiro 方法，通过构建稳定的体积 - 流量曲线、提取关键特征、解释模型以及基于关键补丁凹陷的风险预测，能够准确预测高风险患者未来 1 至 5 年及更长时间内的 COPD 风险，实验结果表明其 AUC 值为 0.8328。

May, 2024

本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

Jul, 2018

本文介绍了一个新的胸部 X 光数据库，名为 “ChestX-ray8”，其中包括 108948 个患者的 32,717 个独特患者的前瞻性 X 光图像 和使用自然语言处理从相关放射学报告中提取的八个疾病图像标签。作者展示了这些常见的胸部疾病可以通过弱监督的多标签图像分类和疾病定位框架进行检测甚至空间定位，并证明了这一点。尽管初始数量结果报告良好，但基于深度卷积神经网络的 “阅读胸部 X 射线”（仅通过图像级标签训练）仍然是完全自动化的高精度 CAD 系统的艰巨任务。

May, 2017

使用 DiffusionCT 模型，通过对不同患者的潜在属性进行转换，实现了 CT 影像的标准化，提供了更一致的基础用于下游分析，并进一步减少了 SPAD 影像中的噪声。

Oct, 2023

COPDFlowNet 是一种新颖的深度学习框架，利用自定义生成对抗网络 (GAN) 生成特定于 COPD 患者气管的合成计算流体力学 (CFD) 速度流场图像，用于数据增强和模型训练，同时结合自定义的卷积神经网络 (CNN) 架构预测梗阻部位。

Dec, 2023

基于深度学习的领域自适应 (Domain Adaptation) 方法 COVID19-DANet 能够在不同数据集下有效检测使用计算机断层扫描 (CT) 影像的 COVID-19 患者，并取得了令人鼓舞的结果。

Nov, 2023

通过融合图像特征和定量扫描仪先验信息，我们开发了一个基于深度学习的端到端框架来准确量化计算机断层扫描（CT）中的肺气肿，并在大规模研究和临床应用中取得了显著改进。

Feb, 2024

通过 3-D 挤压和激励卷积神经网络，在肺部计算机断层扫描中实现了对空间统计学信息感知的肺纹理模式和肺气肿亚型的准确分类。

Mar, 2024