本文介绍了一种新的方法，结合区域提议和显著性检测的方法，通过 ChestX-ray14 数据集，证明该模型在弱监督下疾病诊断和定位方面的性能已经成为新的 state-of-the-art。

May, 2020

为解决医学影像诊断过程中对多种异常区域进行定位的难题，在仅有图像层级标签的情况下，本文提出了一种新颖的多分辨率学习模型，借助 Log-Sum-Exp 池化函数和可学习的下边界适应方法构建尖锐性先前概率，生成高分辨率的显著图，并且在解读胸部 X 光片方面取得了最新的最佳性能。

Mar, 2018

本文提出了一种基于信息瓶颈原理的半监督学习方法，用于学习图像注意力掩模。该方法使用标记的图像生成掩模，并最大化被掩蔽图像与图像标签之间的互信息，同时最小化输入和被掩蔽图像之间的互信息，所得到的注意力蒙版为布尔值类型。在 MNIST，CIFAR10 和 SVHN 等数据集上的实验结果表明，我们的方法可以成功地将注意力集中在定义图像类别的特征上。

Jul, 2019

这篇论文提出了一种名为 “自监督遮盖” 的无监督异常检测和定位方法，通过随机遮盖和恢复来扩展基于重建的异常检测架构，并引入了渐进式遮盖细化方法来进一步提高检测和定位效率和效果。

May, 2022

通过使用基于解释、局部分数或注意机制的三种方法，并利用 Xception 网络作为共同的骨干架构，我们将任务定为弱监督定位问题，并在方法选择、监督类型、数据集和生成器等方面进行了仔细分析；我们的研究通过构建数据集，其中只有一个组件发生变化，证明了弱监督定位是可行的；而基于局部分数的最佳检测方法对于较松的监督比对于数据集或生成器的不匹配更不敏感。

Nov, 2023

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

通过在数据中引入不可察觉的噪声来保护医学数据的隐私，在医学影像数据中应用新方法，选择性地扰乱重要像素区域，提高数据保护的效率和效果，防止未经授权对深度学习模型进行训练。

Mar, 2024

提出了一种基于隐式场图像表示的医学图像无监督的脱离分布检测方法，应用于脑 MR 图像中的胶质瘤本地化任务，结果表明该方法显著优于其他基于 VAE 的异常检测方法（平均 DICE 0.640 vs 0.518），同时需要更少的计算时间。

Jun, 2021

使用新型深度学习框架，结合医生的视觉注意力图，在胸部 X 射线扫描中实现关节疾病的诊断和预测对应的视觉显著性图，提高计算机辅助诊断质量。

Mar, 2024

利用图像和诊断报告的多模态深度学习在医学影像诊断领域取得了显著进展，尤其在缺乏足够注释信息的辅助诊断方面具有强大的能力，然而，没有详细位置注释的准确定位疾病仍然是一个挑战，现有的方法已尝试利用局部信息实现细粒度语义对齐，但其在提取综合上下文内的细粒度语义能力有限，为解决这一问题，我们提出了一种新的方法，将文本报告中的完整句子作为局部语义对齐的基本单元，我们的方法结合了胸部 X 射线图像和相应的文本报告，在全局和局部层面进行对比学习，我们的方法在多个数据集上取得的领先结果证实了其在病灶定位任务中的有效性。

Jan, 2024