提出了一个针对 X 光诊断中骨盆和髋部骨折的两阶段方法，首先使用深度全卷积网络在训练数据中挖掘出可能的真实阳性和确定的硬阴性感兴趣区域，其次使用挖掘出的感兴趣区域训练一个更加一般化的模型来执行局部分析以对骨折进行分类。在 23 位受试者中的初步读者研究中，该方法表现出与人类医师 (甚至胜过急诊医生和外科医生) 不相上下的性能。

Sep, 2019

本文提出了一种新的 omni-supervised 目标检测网络 ORF-Netv2 以尽可能地利用全部可用的监督信息，特别是针对刻画医疗数据的挑战性，该网络结合多种型号监督训练出一个多分支的 omni-supervised 检测头，并提出基于协同训练的动态标签分配策略，从而灵活、稳健地从弱标签和无标签数据中学习。这个 framework 在三个肋骨骨折数据集上获得了显着效果。

Jun, 2023

病理检测和描述能够自动解释医学扫描，如胸部 X 线片，同时提供高水平的可解释性，以支持放射科医生做出明智决策。

Sep, 2023

该论文提出了一种新颖的方法，结合 YOLO 和 Swin 以及新提出的模块，用于定位和分类腕部 X 射线图像中的骨病理，解决了精确定位骨病理和准确分类异常的挑战。

Aug, 2023

通过使用强度感知距离图和边界损失，本研究在点标注的语义分割中探讨了强度感知距离图与边界损失的组合。结果表明，这种监督策略具有巨大潜力，并在实验中取得了令人鼓舞的初步结果。

Nov, 2023

本研究提出了一种新颖的边界框回归损失方法，该方法结合了学习边界框变换和定位方差。研究表明，该方法显著提高了各种框架的准确性。同时，学习到的定位方差允许我们在非极大值抑制期间合并相邻的边界框，进一步提高了定位性能，超越了先前的最先进的边界框精化方法。

Sep, 2018

提出了一种基于点距离的任意形状比较的新型指标，以提高旋转对象检测中边界框回归的效率和准确性，并提出了一种基于四点距离的准确边界框回归损失函数 FPDIoU，通过三个旋转对象检测基准测试和两个任意方向场景文本检测基准测试的实验证明了其优于现有损失函数的性能。

May, 2024

本研究提出了一种用于肿瘤检测和定位的高效注释策略，虽然比逐像素注释不够精确，但可以用于创建大规模的肿瘤筛查数据集。

Oct, 2023

本文提出了一种可用于无未注释的边界框的 object location 评估的 Loss function，该方法不需要边界框、区域提议或滑动窗口，并使用 3 个数据集对该方法进行了评估，分别为人头位置、瞳孔中心和植物中心。我们的方法优于最先进的通用对象检测器和针对瞳孔跟踪微调的方法。

Jun, 2018

本文提出了一种新的损失函数 SIoU，通过重新定义惩罚指标以考虑所需回归之间的向量角度，从而改进了传统目标检测中遇到的匹配方向问题，提高了训练速度和推断精度。

May, 2022