本研究探讨了在医疗诊断和治疗计划中支持临床的自动疾病分类的技术，并提出了一种新颖的交叉注意力网络方案（Cross-Attention Networks）来分类胸透图像以提高性能，同时结合新的损失函数，克服了数据不平衡的问题，并取得了最先进的结果。

Jul, 2020

使用新型深度学习框架，结合医生的视觉注意力图，在胸部 X 射线扫描中实现关节疾病的诊断和预测对应的视觉显著性图，提高计算机辅助诊断质量。

Mar, 2024

该研究提出了一种新的多特征融合网络，使用并行注意力块来融合多尺度的原始 CXR 图像和局部相位增强的 CXR 图像，并在不同机构获取的各种 COVID-19 数据集上进行了评估，实验结果表明，该方法实现了最先进的性能，并具有改进的普适性。

Apr, 2023

本文提出了 ChestNet 模型，它将注意力机制融合到深度卷积神经网络中，以有效诊断胸部疾病，其结果表明，在使用官方病人方式分割的 Chest X-ray 14 数据集上，该模型优于其他无需额外训练数据使用的方法。

Jul, 2018

通过利用卷积神经网络，提出了一种基于多层多模态融合模型的新型深度学习疾病检测模型，能够从不同层次提取特征并融合它们，在胸部 X 射线图像的疾病分类中取得了高达 97.21% 和 99.60% 的显著准确率，具有准确的疾病分类潜力，并可推广至其他胸部 X 射线图像中的疾病分类。

Jan, 2024

本研究提出了一种三分支注意力引导卷积神经网络（AG-CNN），它可从特定于疾病的区域学习以避免噪声和提高对齐性，并与全局分支相结合，从而产生了准确的胸部 X 射线诊断。

Jan, 2018

肺癌和 COVID-19 是世界上患病率和死亡率最高的疾病之一。针对早期阶段疾病的病灶识别对医生而言是困难且耗时的，因此，多任务学习是一种从少量医学数据中提取重要特征（如病灶）的方法，因为它能更好地进行泛化。我们提出了一种新颖的多任务框架，用于分类、分割、重建和检测。据我们所知，我们是第一个将检测添加到多任务解决方案中的研究者。此外，我们还检查了在分割任务中使用两种不同的骨干网络和不同的损失函数的可能性。

Aug, 2023

本文提出一种基于 Inception 卷积神经网络和密集连接循环卷积神经网络的双编码器融合 U-Net 框架（DEFU-Net）用于精确分割胸部 X 射线影像中的软组织，并在 Montgomery 和深圳医院的混合数据集上实现了最佳性能，超越了 U-Net、残差 U-Net、BCDU-Net、R2U-Net 和注意力 R2U-Net。

Sep, 2020

近 20 年来，医学影像的机器分析迅猛发展，为几个重要的医疗应用提供了巨大的潜力。其中，病变分割是一个特别具有挑战性的任务，有着迫切的需求，而我们提出的新型解决方案 ——D-TrAttUnet 架构在 Covid-19 和骨转移分割的任务中取得了优越的表现，并且其混合编码器在腺体和细胞核的分割中也表现出色，巩固了它在现代医学图像分析中的地位。

May, 2024

本项目提出了一种基于 DenseNet 和 GRADCAM 的多标签胸透疾病诊断模型，能够在 X 线图像中准确检测出多种胸部病理，并实现了深度学习算法的模型可解释性。

Feb, 2022