本文提出了一种可解释化的人机交互框架，用于改进烧伤超声波分类模型，采用基于 LIME 分类解释器的解释系统，结合医学专家的知识和文本纹理特征来提高 B 模式超声波分类器的准确性，并将其应用于真实猪型实验数据，结果表明采用此框架能够将烧伤深度分类的准确性从 88% 提高到 94%。

Oct, 2022

该研究提出了一种简单而新颖的基于卷积神经网络（CNN）的 “网络中的网络” 方法，用于分割皮肤病变。作者使用了一种名为 Faster RCNN 的方法进行预处理，配合 UNet 和 Hourglass 网络实现皮肤病变的分割。在 ISIC 2018 数据集上，该方法的 Dice 相似度系数达到 0.915，准确率达到 0.959，在 ISBI 2017 数据集上，Dice 相似度系数达到 0.947，准确率达到 0.971。

May, 2020

在本研究中，我们提出了一种多任务学习框架，通过构建一个特定数据集和引入地表覆盖分类作为辅助任务，以提高烧毁区域分割模型的鲁棒性和性能。与标准的二进制分割方法相比，我们的方法在性能上表现出了更好的效果。

Sep, 2023

本文探讨如何利用 Segment Anything Model (SAM) 技术进一步提高医学图像的显著性图测试准确性，同时可以泛化到不需要人类注释的测试方法，并研究 SAM 在医学领域中的应用和挑战，这包括图像预处理，自然语言建议以及 SAM 在多个医学成像数据集上的准确性。

Jun, 2023

提出了一种简单而有效的框架，名为 CARE（Class Attention to Regions of the Lesion），通过在卷积神经网络（CNNs）的训练过程中引入注意力机制来处理数据不平衡问题。实验证明，该方法能够有效帮助网络专注于罕见疾病的损伤区域，显著提高了罕见疾病的分类性能。

Jul, 2023

利用远程感知技术与人工智能方法，以提高实时、高分辨率的火灾监测为目标，本研究探讨了两种基于 U-Net 模型的自动化烧毁区域绘图方法，分别为 128 和 AllSizes (AS) 模型，在智利两个容易发生火灾的地区利用 Landsat 影像和时间序列数据进行训练与应用，实验证明 AS 模型在增加数据集平衡性方面能够取得更好的性能。

Nov, 2023

通过提出更普遍和稳健的基准关注自适应框架 (BAAF) 协助医生更快更准确地在超声图像中分割和诊断病变和组织，本研究在四个医学超声分割任务上评估了该方法，充分实验结果显示了与现有先进方法相比明显的性能改善。此外，与现有关注机制的比较也证明了 BAAF 的优越性，为自动化医学超声辅助诊断提供了可能性，减少对人类的精确性和准确性的依赖。

Oct, 2023

该研究提出了一种轻量级的皮肤病变检测流程，应对类别分布不平衡和一些病变的微妙或非典型表现的挑战。该流程基于一种轻量级模型，利用幽灵特征和 DFC 注意力机制减少计算复杂性同时保持高性能。通过合成少数类过采样技术和各种图像增强技术来解决数据集中的类别不平衡问题。模型还采用基于知识的损失加权技术，在类别级别和实例级别对损失函数赋予不同的权重，以帮助模型关注少数类别和具有挑战性的样本。该模型在检测和分类不同的皮肤病变方面取得了 92.4% 的准确率，84.2% 的精确度，86.9% 的召回率和 85.4% 的 F1 得分，尤其在识别良性角化病样病变（BKL）和痣（NV）方面表现出色。尽管具有卓越的性能，但该模型的计算成本远低于一些准确度较低的模型，使其成为实际应用中准确度和效率都至关重要的最佳解决方案。

Aug, 2023

癌症的早期检测可以通过早期干预来改善患者的预后。我们提出了一种基于注意力机制的流水线，可以识别疑似病变、对其进行分割，并对其进行非异型、异型和癌性病变的分类。我们提出了一种基于视觉变换器的掩码 R-CNN 网络用于临床图像的病变检测和分割，以及基于多实例学习的分类方案。目前的结果显示，分割模型可以在未见的外部测试数据上产生具有高达 82% 重叠准确度的分割掩码和边界框，并超过了经过验证的分割基准。在内部队列测试集上，分类 F1 得分达到 85%。我们开发了一款应用程序，可以通过智能设备进行病变分割。未来的工作将利用内窥镜视频数据进行精确的早期检测和预后评估。

May, 2024

使用 FLAIR 影像的卷积神经网络来自动分割多发性硬化症的病变，该方法在测试中表现显著优于其他现有的方法。

Jan, 2022