建立利用深度学习技术实时识别胃镜超声过程中胰腺各个站点的人工智能辅助工具，有效帮助医生更高效地进行训练。

Sep, 2023

建立一种计算机辅助诊断系统，用于支持医生在内支气管超声（EBUS）手术中进行转移癌的初步诊断，通过安排 EBUS 手术后其他部位的立即检查，消除了等待报告的需要，将等待时间减半以上，并使患者能够更早地发现其他癌症，从而实现早期治疗计划的早期规划和实施。同时，通过引用现有的建议模型和设计模型架构来分类肺转移细胞图像，本研究证实了少样本学习在转移癌分类中的优越性，并表明使用 Batch Spectral Regularization（BSR）作为损失函数和修改 Finetune 能增强该模型的能力。

Apr, 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

本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

May, 2023

本研究利用深度学习方法，通过提取细胞核密度区域进行分类，通过 fine-tuning 原始的 Inception-v3 卷积神经网络，从而达到了对四种类型的 H&E 染色乳腺组织图像进行分类，并获得了高达 85% 的整体精确度和 93% 的癌症诊断精确度。

Feb, 2018

该研究提出了一种新颖的可学习的神经距离，用于描述胰腺导管腺癌与周围重要血管之间的精确关系，并将其作为预后预测的主要特征。通过融合局部和全局特征，使用 CNN 和 Transformer 模块来提取多阶段 CT 图像中的动态肿瘤相关纹理特征，进一步增强跨多个阶段 CT 图像提取的特征。通过与现有方法在多中心数据集上进行广泛评估和比较，并在包括三个中心的外部测试集中进行统计分析，证实了该方法在临床上的有效性。开发的风险标记是预操作因素中最强的整体生存预测因子，具有与现有临床因素结合选择高危患者并获得新辅助治疗益处的潜力。

Aug, 2023

本研究提出了一种多任务利用全局上下文感知模块和特征对齐块的 Transformer-based 深度神经网络，可用于精确识别上消化道病变和肠息肉，实验证明其性能卓越。

Jul, 2023

本文提出了一种针对胰脏器官的高分辨率计算机断层扫描（CT）图谱框架，通过深度学习技术进行肠道感兴趣区域的提取和层级注册流程以对齐人群的胰腺解剖结构，并在不同的对比度相位上进行比较和评估，进而创造了针对人类胰腺形态及外观的统一标准。

Jun, 2023

使用卷积网络的深度学习方法对腹部计算机体层摄影（CT）图像中的胰腺进行分段，该方法基于分层从粗到细的本地图像区域（超像素）的分类，并通过随机森林分类器级联的两级修补程序生成初始概率响应图，最终达到了 68% 的 Dice 分数，这表明这种方法具有很大的潜力和性能优势。

Apr, 2015

该研究提出了一种基于分层信息传播的自下而上方法，使用不同分辨率的图像块分类和级联超像素，实现了腹部 CT 扫描中胰腺分割的鲁棒自动化，并比传统多阶段法更为高效。

May, 2015