该文介绍了使用深度学习模型快速有效地处理医学影像中的异常病变并生成语义化标注的方法。研究利用 DeepLesion 数据集和三元组网络模型结构，可以有效地检索、聚类、和分类这些异常病变。该方法可以进一步应用于病人内部异常的匹配和缺失标注挖掘等临床应用。

Nov, 2017

实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要，本文提出了一种新颖的方法，通过深度学习模型自动定位、标记和生成三维表面，然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展，实验证明该方法在 37 个椎体、5 名患者的基线和 3、6、12 个月后的随访图像上显示出了平均 Hausdorff 距离为 0.65 毫米和 Dice 分数为 0.92 的准确配准。

Feb, 2024

本文提出了一种基于 Convolutional Neural Networks 和 Active Contour Models 的 Deep Active Lesion Segmentation (DALS) 框架用于器官病变分割，该框架在新的 Multiorgan Lesion Segmentation (MLS) 数据集上取得了比竞争方法更好的性能。

Aug, 2019

通过结合几何与纹理信息，我们在全身成像的背景下提出了一种将皮肤病变从源扫描定位到目标扫描的新框架，可用于纵向追踪皮肤病变的早期检测，取得了与已报告的纵向研究相当的成功率。

Jul, 2023

我们提出了一种方法，通过计算基于图像强度的层次稀疏采样编码位置信息的查询点在源图像中的描述符，从而在纵向对比中匹配医学图像之间的解剖位置。通过层次搜索操作，在目标图像中找到具有最相似描述符的对应点。这种简单而强大的策略使得在单个 CPU 上将点映射到毫秒级时间尺度成为可能，从而使放射科医生可以在近实时下比较相似的解剖位置，而不需要额外的架构成本来进行预计算或存储来自注册的变形场。我们的算法不需要先前的训练、重采样、分割或仿射变换步骤。我们已在最近发布的深度病变跟踪数据集注释上测试了我们的算法。我们观察到与深度病变跟踪器相比，匹配更准确，同时比其中报告的最精确的算法快 24 倍。我们还调查了在 CT 和 MR 模态上的匹配准确性，并将所提出的算法的准确性与多名放射科医生的综合真实值进行了比较。

Aug, 2023

利用深度卷积神经网络，以 2.5D 方式对肝脏 CT 图像进行分割，并在 130 个 LiTS 训练数据集上进行训练，在 70 个测试 CT 扫描上取得了平均 Dice 分数 0.67，时隔 ISBI2017 会议后获得了该领域的第一名。

Apr, 2017

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

研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

Sep, 2023

通过 Siamese CNN 方法，应用于 PSMA PET/CT 扫描，成功实现了多发性病灶的追踪，该方法在预测治疗结果方面表现出潜力。

Jun, 2024

该研究使用深度学习和多标签分类方法设计了一个名为 LesaNet 的病变注释网络，它可以准确的为超过 32k 的多样性病变图像进行分类并提取出 171 个精细标签，平均 AUC 达到 0.9344。

Apr, 2019