无监督皮肤病变分割，采用 Uncertainty Self-Learning Network 自学习网络，通过对比学习提取特征，生成基于显著性的 Class Activation Maps，利用这些特征实现有效的皮肤病变分割，通过连接性检测、优先级检测和循环优化进一步提高性能。

Sep, 2023

提出了一种新的多任务病变检测方法，应用于多种用于医学成像分析的单病例数据集中，利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释，从而提高三维体积通用病变检测的性能，与当前最先进的方法相比，平均灵敏度提高了 29%。

May, 2020

利用 U-Net 架构开发了准确且具有泛化能力的多发性硬化症损伤分割模型，并提供了一种新颖的测试时自组合损伤融合策略，不需要进一步的修改，同时具备实例归一化，而非文献中广泛使用的批归一化，在不同扫描仪的临床测试数据上展示了良好的泛化能力。

Dec, 2023

在肿瘤患者的随访 CT 检查中，肿瘤体征的尺寸测量对于评估治疗效果至关重要。高效的病变分割能够加速放射学工作流程。我们引入了 ULS23 基准，用于胸腹盆 CT 检查中的 3D 通用病变分割。该基准包含了胰腺、结肠和骨骼等各种挑战性的病变类型，在 284 名患者中共计包含 38,693 个病变。我们还开发并公开发布了我们的基线半监督 3D 病变分割模型。该模型在挑战测试集上取得了平均 Dice 系数为 0.703±0.240 的成绩。我们邀请持续提交以推动未来 ULS 模型的发展。

Jun, 2024

本文提出一种多任务普适性病变分析网络，它基于改进的 Mask R-CNN 框架，能够联合检测、标注和分割身体各部位的病变，达到了 DeepLesion 数据集上最高的检测和标注精度。

Aug, 2019

该研究旨在开发一种通用的病变检测算法，通过利用粗略标注和临床知识，在多个异构数据集上进行训练，实现在多种病变类型下的准确检测。

Sep, 2020

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

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

本论文引入了一种卷积神经网络（CNN）弱监督切片传播分割（WSSS）方法，以 RECIST 标记为弱监督数据，能够精确地评估时间点的病变 / 肿瘤变化，并在淋巴结数据集中表现出与完全受监督的方法相当的性能，并在全面的病变数据集上测试，其中我们报告了在 RECIST 标记图层上的 Dice 分数均值为 92%，在整个 3D 体积上为 76%。

Jul, 2018

本论文提出了一种用于弱监督内窥镜下病变分割的新语义病变表示转移模型，该模型可以从相关的完全标记的疾病分割任务中利用有用的知识，以提高目标弱标记的病变分割任务的性能，其中包括提出了基于伪标签生成器的伪像素标签生成方法，并将同一类别的动态搜索特征中心在不同数据集间对齐。

Aug, 2019