本研究提出了一种基于深度学习的方法，以从内窥镜不同视角获取的肾结石碎片相关信息。通过在每个卷积块的末端添加注意力层，联合使用表面和切面碎片图像来训练分类器，从而改善特征的区分能力，进而模拟进行这种形态构成分析的方法，与此同时，在深度特征的融合上，本方法相对于现有技术提高了最多 11％的肾结石分类准确性。

Nov, 2022

本研究提出了一种深度学习方法，旨在从不同视角获取的图像信息中提取和融合图像信息，以产生更可辨别的物体特征，用于识别内窥镜图像中看到的肾结石类型，通过深度特征融合策略，通过传输学习和注意力机制进一步改进模型，使得肾结石分类的精度提高了 6% 以上。

Apr, 2023

该研究使用 6 种浅层机器学习模型和 3 种深度学习模型对 4 种尿路结石类型的内窥镜图像进行识别，结果显示 Inception v3 模型表现最佳，但对颜色空间和纹理特征的适当选择使得浅层机器学习模型的表现可以接近最优深度学习模型的表现，研究其提出了从尿路镜检查中提取图像特征的方法。

Jan, 2022

本文提出了一种基于深度学习和度量学习的引导式深度度量学习方法，用于少样本、泛化和新类别识别，实现对肾结石碎片形态学多视图的自动识别。

Jul, 2023

该研究使用机器学习建立肾结石图像分类模型，其基于可解释性的子部件原型（PPs）方法，能够提供类似于形态宪法分析（MCA）的解释。

Jun, 2022

本研究提出了使用基于深度学习的肾结石识别模型中的原型部件 (PPs) 来生成分类结果，从而使模型具有可解释性和更高的稳健性。

Apr, 2023

该研究利用深度卷积神经网络自动识别内窥镜图像中的肾结石形态特征，能够从术中数字内窥镜图像中鉴别肾结石的组成和形态。

May, 2021

使用 AI 技术对数字内窥镜视频序列进行分析，评估了其用于识别肾结石形态特征的性能及附加值，并证明其是收集肾结石形态信息的有前途的工具，而不需要任何人为干预。

May, 2022

我们提出了一种基于位置嵌入的配对距离学习网络（LEPD-Net），通过低剂量腹部 X 射线成像结合位置信息，对尿道结石进行精细化诊断。我们的方法通过上下文感知区域增强增强了与结石相关的特征表示，通过结石位置嵌入融入了关键的位置知识，并且通过创新的精细化配对距离学习实现了对细粒度对象的识别。我们基于自建的尿道结石数据集进行了全面实验，结果显示我们的框架明显优于现有的先进方法。

Jun, 2024

我们的研究旨在利用 CT 扫描图像质量增强方法和自适应局部二进制模式（A-LBP）特征提取方法，结合五个分类器和软投票方法，实现对肾脏异常的自动检测，并取得 99% 以上的准确率。

Apr, 2024