通过使用图像级标签进行 GBC 检测，本文提出了一种使用自我监督实例选择的多实例学习方法训练 DETR 模型的弱监督目标检测算法，相较于目前最先进的基于变换器和卷积神经网络的弱监督目标检测方法，我们的方法在 AP 和检测灵敏度上表现出较大的改进。

Sep, 2023

通过将 YOLO 和 Faster R-CNN 算法融合应用于超声图像中，本研究旨在选择更精确的包围盒以提高胆囊癌分类，实验证明该方法在分类性能上表现优越，准确率达到 92.62%，而仅使用 Faster R-CNN 和 YOLOv8 的准确率分别为 90.16% 和 82.79%。

Apr, 2024

这份研究论文提出了一种基于视频的胆囊癌检测方法，采用 Masked Autoencoder (MAE) 进行表示学习，并引入了一种名为 FocusMAE 的新型设计，通过选择高信息区域的掩蔽标记来改善恶性肿瘤的表示，实现了 96.4% 的准确率，超过了当前图像和视频方法的准确率，并在 CT 图像上进行了验证。

Mar, 2024

UGGNet 是一种结合了 U-Net 和 VGG 架构的新型模型，用于增强乳腺超声图像分析的性能，提供准确的乳腺超声图像诊断的综合解决方案。

Jan, 2024

本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

Jun, 2019

本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

Feb, 2020

提出了一种 PBNet 方法，由多级全局感知模块（MGPM）和边界引导模块（BGM）组成，用于从超声图像中分割乳腺肿瘤。在 MGPM 中，建模了单层特征图中体素之间的长程空间依赖关系，然后融合了多级语义信息以提高模型对非增强肿瘤的识别能力。在 BGM 中，使用最大池化的膨胀和侵蚀效果从高级语义图中提取肿瘤边界，并利用这些边界来引导低级和高级特征的融合。通过对公开可用数据集和院内数据集进行的广泛对比实验表明，所提出的 PBNet 在定性可视化结果和定量评估指标方面优于现有的方法，Dice 分数、Jaccard 系数、特异性和 HD95 分别提高了 0.70%、1.1%、0.1% 和 2.5%。此外，割舍实验证明了所提出的 MGPM 对于区分非增强肿瘤以及 BGM 和 BS 损失对于优化肿瘤的分割轮廓也是有帮助的。

Oct, 2023

乳腺超声在癌症诊断中起着重要作用，是一种非侵入性、具有成本效益的方法，在肿瘤定位和癌症分类任务中深度学习的发展使得许多基于 CNN 的方法被广泛研究。在本研究中，我们旨在重新设计和构建端到端多任务架构，以进行分割和分类。通过我们提出的方法，在分割任务中，使用 DeepLabV3 + 架构，实现了 79.8% 的卓越性能和时间效率达到 86.4%。

Jan, 2024

使用深度学习方法结合卷积神经网络、无位置编码的轻量级 transformer 和双重注意力门，实现对膀胱癌的检测和分割，该模型在计算效率和诊断精度之间取得了平衡。

Mar, 2024

该研究旨在建立一个基于计算机辅助诊断系统的肺病变诊断方法，使用支气管镜内支气管超声（EBUS）来帮助医生识别病变区域。

Apr, 2024