本文提出了基于CNN和Hough voting的自动医学图像分割方法，并系统研究了不同神经网络结构及数据维度对MRI影像的影响。

Jan, 2016

本文提出了一种简单而有效的方法来提高医学成像分类中深度神经网络的泛化能力，该方法通过使用新的线性依赖正则化项进行变分编码学习代表性特征空间，以捕获从不同领域收集的医学数据之间的可共享信息。实验结果表明，与现有方法相比，我们的方法可以实现更好的跨领域泛化能力。

Sep, 2020

本文提出了一种新颖的半监督元学习框架，其中包括解缠结和显式对与领域位移相关的表示进行建模，对于医学图像分割问题，这项技术表现良好，尤其在有限的标注数据情况下具有更好的一般化性能和鲁棒性。

Jun, 2021

本研究探讨了领域特定的数据增强对医学成像任务的作用，使用了胎儿超声FETAL-125和OB-125数据集，发现通过上下文保留的cut-paste策略，可以创建有效的训练数据，并通过基准测试数据集的表现来评估模型性能，结果表明，通过在线方式训练的模型在FETAL-125和OB-125数据集上的表现与使用传统数据增强训练的模型类似。最后提供开源代码，便于设计并应用领域指导的数据增强策略处理医学成像任务。

Oct, 2022

本文提出了一种基于弱监督学习的Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

Jun, 2023

胎头分割是测量胎儿头围的关键步骤，在产科胎儿生长监测中是一个重要的生物测定值。本研究提出了一种迁移学习方法，使用轻量级MobileNet作为编码器的U-Net网络进行微调，以在受限的胎儿头部超声图像数据集上进行分割。该方法解决了从头开始训练卷积神经网络的挑战性任务，并表明所提出的微调策略在减少85.8%的可训练参数数量时仍能实现可比的分割性能。该方法在可训练参数数量小于440万时优于其他策略，因此可作为医学图像分析领域中模型大小减小的可靠微调方法。研究结果强调了在通过迁移学习方法开发人工智能应用时，在模型性能与大小之间保持平衡的重要性。

Jul, 2023

通过无监督方法将超声图像自动聚类，减少或消除了人工标记的需求，该方法在超过8.2k未知图像上实现了超过92%的聚类纯度，对胎儿超声成像领域具有重要意义，并为更先进的自动标记解决方案铺平了道路。

Oct, 2023

应用于医学成像等关键领域的深度学习模型使用受限的训练数据，我们提出了一种策略来提高在低数据情况下训练的模型的性能和泛化能力。通过预训练和元微调，本方法通过在元训练中暴露模型于更具挑战性的分类任务，进而在元测试中对更具临床相关性但更容易的任务进行评估，以增强模型的泛化能力。该方法在两个不同的医学任务上进行了实验证明了其有效性，并在评估数据的分布变化时保持了竞争力。

Mar, 2024

本研究解决了现有深度神经网络（DNN）在超声图像解释中的局限性，提出了病灶概念解释器（LCE）框架，结合归因方法与概念基础方法以改进可解释性。通过引入针对医学图像的“随意分割模型”（SAM），该框架在各类超声图像数据集上表现优异，提供更可信赖和可理解的解释，尤其在细粒度诊断任务中具有重要影响。

Aug, 2024

本研究解决了分割聚合骶骨和胎头（PSFH）在监测分娩进程及识别潜在并发症方面的不足，尤其是在缺乏标注医学图像情况下的分割训练问题。我们提出了一种新颖的双学生和教师结合CNN与Transformer的框架，通过互相监督的方式生成硬标和软标，提高了分割精度。实验结果表明，该框架超越了十种现有的半监督分割方法，具有显著的推广能力和应用前景。

Sep, 2024