通过不同的深度学习算法以及数据集，我们发现在数据集有限的情况下，模型的复杂度是一个至关重要的因素，我们的研究表明，与过去文献不同的是，在一些配置下，使用低复杂度的卷积神经网络可以达到或超过现有的极限水平。此外，数据扩充也可以大幅提高性能，并且在数据量有限的情况下，dropout 仍然表现出良好的正则化效果。

Mar, 2020

我们提出一种新的方法 MeLo (Medical image Low-rank adaptation)，通过低秩适应而非资源需求大的微调，以轻量化的方式为多个临床任务开发单一的 CAD 模型，在各种不同的成像模态上，仅使用较少的可训练参数实现了可比较的结果。

Nov, 2023

该研究提供了一个全面的基准测试，用于多样化评估医学图像分类的常见卷积神经网络和 Transformer-based 模型，并发现计算效率高的训练方案和现代基础模型在减少昂贵的端到端训练和资源精细的方法之间具有潜力。此外，研究结果表明，较高分辨率未必在一定阈值之上始终提高性能，提倡在原型阶段尤其使用较低分辨率以加快处理速度。同时，该研究也确认了卷积模型与 ViT-based 模型的竞争力，强调了不同模型架构的内在能力的重要性。希望该研究的标准化评估框架能够提高 MedMNIST + 数据集以及未来研究的透明度、可复现性和可比性。

Apr, 2024

该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

Feb, 2016

这篇论文研究了在医学图像数据集中，由于欠拟合和过拟合现象，无法很好地工作的深度学习模型问题，并提出了一种名为 Medi-CAT 的训练策略，采用了大型预训练视觉变换器以克服欠拟合，并采用对抗性和对比性学习技术以防止过拟合，实验结果表明，相比于其他已知方法，这种方法在三个基准数据集上提高了 2% 的准确性，并且相对于基准方法提高了 4.1% 的性能。

Oct, 2023

通过使用替代的正则化策略来推动小图像分类数据集上的有监督学习，研究取得了与最先进的方法相当的测试准确率。

Sep, 2023

本论文提出了通过域特定预训练和提出改进的 transformer 架构从胸部放射状图像输入生成临床报告的方法，该方法具有标准化、减少错误、节省时间和便于医学访问的优点，同时还使用验证数据集的指标验证了其性能。

May, 2022

本文研究了预训练模型在胸透解释方面的应用，通过对 16 种不同的卷积神经网络评估它们的迁移学习效果和参数效率，发现 ImageNet 性能和 CheXpert 性能之间不存在关系，而 ImageNet 预训练可以提高胸透解释的性能，并通过截取最后一层的方法使模型可节省 3.25 倍的参数而不影响性能。

Jan, 2021

本文提出了首个高清（1280×1280）X 射线预训练视觉模型，采用了大规模数据集和自动编码器框架，引入了一种新颖的上下文感知遮蔽策略，验证了模型在 X 射线报告生成和疾病识别等下游任务上的有效性。

Apr, 2024

本文旨在研究最佳培训数据集的大小，以实现医学图像分类系统中高分类精度和低方差。 通过使用学习曲线方法来预测在给定的培训样本大小下的分类精度，我们提出了确定达到特定目标分类精度所需培训数据集大小的通用方法，可轻松应用于此类系统中的其他问题。

Nov, 2015