本文介绍 nnU-Net 作为一个基于2D和3D vanilla U-Nets的稳健自适应框架，用于医学影像分割任务，其中nnU-Net取得了医学影像分割竞赛中最高的平均骰子系数得分。
Sep, 2018
利用人工智能中的深度学习技术，基于nnU-Net框架实现了高质量的三维生物医学图像分割和量化，该框架不需要人工参与，能够自动适应不同的数据集和分割任务，同时在19项公共比赛中取得了优于大部分深度学习算法的表现。
Apr, 2019
本文研究使用MODS方法和无镜显微技术自动预测结核病，采用CapsNet网络结构，结果优于传统的CNN网络结构。
Jul, 2020
本研究旨在通过使用MODS方法和无镜头显微镜来便利和自动化诊断结核病，同时使用U-Net网络对数据集进行自动分割，以预测结核病的发生。结果显示出对结核病细胞的自动分割表现出很好的精确度，因此可有望用于结核病的自动诊断。
Apr, 2021
结核病是全球主要的健康威胁，深度学习在计算机辅助结核病诊断方面取得了进展，但训练数据有限。为此，本文建立了一个大规模数据集 TBX11K，其中包含11200个带有肺结核区域边界框标注的胸部 X 光图像。此数据集可用于训练高质量计算机辅助结核病诊断模型，并提出了一种基准模型 SymFormer，通过对 CXR 图像的边界对称性进行处理来学习判别性特征。SymFormer 在 TBX11K 数据集上取得了最先进的性能，并提供了数据、代码和模型。
Jul, 2023
通过综述快速模型（SAM）在医学图像分割领域的应用，本文总结了对SAM在医学图像分割任务中的有效性进行扩展的最近努力，并探讨了未来SAM在医学图像分割中的研究方向。尽管直接应用SAM到多模态和多目标医学数据集的图像分割上表现不够令人满意，但从这些努力中得到的众多见解对于塑造医学图像分析领域的基础模型的发展轨迹起到了宝贵的指导作用。
Jan, 2024
使用自监督学习的方法，基于Vision Transformers，改进了胸部X射线上结核病的检测，实现了零样本儿科结核病的检测，证明自监督学习在结核病检测任务上的有效性。
Feb, 2024
结核病在全球资源匮乏的人群和偏远地区持续存在，每年新增感染者超过1000万人，是公共卫生领域不平等的显著象征。通过介绍一种针对结核病筛查的可解释自监督自训练学习网络，本研究实现了98.14%的出色总准确率，并在95.72%的召回率和99.44%的精确率下，有效捕获临床重要特征。
Jun, 2024
本文针对医学图像分割中存在的多尺度特征建模和信息交互问题，提出了一种名为TBConvL-Net的新型混合深度学习架构。该模型结合了卷积神经网络（CNN）和视觉变换器（ViT）的优点，显著提升了分割的稳健性，并在多个医疗影像数据集上展示了优于现有方法的性能。
Sep, 2024
本研究针对显微镜图像分析中语义分割的关键问题，评估变换器模型（如UNETR、Segment Anything Model和Swin-UPerNet）与经典的U-Net模型在不同图像模式下的有效性。研究表明，通过对Swin Transformer模型进行结构改进，显著提升了分割性能，突显了变换器模型在生物医学图像分割中的先进潜力及其改进的可行性。