用有限的手动标签，通过多视角对比自监督方法以及两级预训练，提高甲状腺结节分类和分割性能，超过了 ImageNet 预训练和最先进的自监督方法。

Feb, 2024

本研究提出一种个性化诊断工具，该工具利用超声和多视图分类模块来提取脖子部位的特征信息和个性化突出不同部分的最佳视角来评估甲状腺结节，提升诊断效率。实验结果表明，该工具比传统方法更能利用多视图信息，并且获得更好的诊断效果。

Jul, 2022

提出了一种通过新型共同注册网络实现的甲状腺结节分割框架 ASTN，通过从图谱和目标图像中提取潜在的语义信息，并利用深度特征完成甲状腺超声图像中结节的共同注册，确保解剖结构完整性，并减少不同设备造成的图像整体差异对分割的影响，同时通过提供图谱选择算法缓解共同注册的困难，评估结果表明，我们提出的方法在改善模型推广能力的同时，保持了较高的分割准确度。

Oct, 2023

甲状腺疾病的超声诊断中，通过自动定位超声图像切片到三维形状表示，可以减轻医生的认知负担，并为超声诊断提供方便。使用交叉模态配准和统计形状模型，该方法表明可以在患者特异性的三维解剖学和统计形状模型上准确定位图像切片，并为超声采集过程中的切片定位提供有用的工具。

Sep, 2023

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

将可学习的小波模块整合到卷积神经网络中，以增强纹理特征提取，并通过在 ResNet18 模型中引入并行小波分支，实现对空间和频率域纹理特征的同时分析，从而提高了分类准确性。在收集的超声波数据集和公开的自然图像纹理数据集上进行实验，我们的模型在超声波数据集上实现了 97.27% 的准确率和 95.60% 的召回率，在自然图像纹理数据集上实现了 60.765% 的准确率，超过了 ResNet 的准确率，验证了我们方法的有效性。

Apr, 2024

该研究采用自然语言处理和 GatorTron 模型等技术，从甲状腺结节的超声波报告中提取了 16 个结节的特征，为评估甲状腺超声报告的文档质量和通过电子健康档案检查甲状腺结节患者的治疗效果建立了基础。

Mar, 2023

该论文提出了一种形态 - 边缘知识增强网络（SkaNet），用于同时进行甲状腺结节分割和诊断，并通过多任务损失函数和约束惩罚项共同优化，以嵌入形态和边缘特征，并建模甲状腺结节诊断结果与分割蒙版之间的关系。

Aug, 2023

本篇论文提出了一种基于多尺度增强，结合空间和通道注意力的特征金字塔网络，用于检测计算机断层扫描中的病变，并在 DeepLesion 基准数据集上展开实验证明其优于先前的方法。

Jul, 2019

通过使用深度学习模型，通过超声成像来准确诊断颈淋巴结病变。我们提出了 Conv-FFT Block 与 US-SFNet 两者相结合的方法，该方法不仅可以从空间域中识别超声图像的变异，还可以在频率域中捕捉不同病变的显微结构改变。通过与其他 12 种经典模型进行对比，结果表明 US-SFNet 在交叉验证中获得了 92.89％的准确度、90.46％的精确度、89.95％的敏感度和 97.49％的特异度。

Aug, 2023