该研究提出了一种弱监督辅助任务学习网络模型 (WAL-Net)，以探索颈动脉斑块分类与分割任务之间的相互依赖关系。在该模型中，斑块分类任务是主要任务，而斑块分割任务作为辅助任务，为主要任务提供有价值的信息以提升性能。使用弱监督学习方法，完全摆脱对分割注释的依赖。实验和评估结果表明，与基准网络相比，所提出的方法在颈动脉斑块分类准确性上获得了约 1.3% 的改进。具体而言，混合回声斑块分类准确性提高了约 3.3%，证明了我们方法的有效性。

Jan, 2024

应用深度学习模型于大规模数据集需要自动质量保证的方法，本文研究了不确定性在模型预测中的应用，并发现不确定性度量可以作为错误检测和自动质量保证的代理，并为大规模数据集提供了自动质量保证工具。

Aug, 2023

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

本研究提出了一种基于视频分类的自动颈动脉狭窄分级框架，采用弱监督学习和引入 AMDF 转换器编码器进行多维度特征融合，从大规模的颈动脉超声图像视频数据集中有效地区分颈动脉狭窄，优于强基线模型。

Jun, 2023

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

提出一种语义分解网络 (SDNet), 该网络引入两种单任务分支，分别解决牙齿和牙菌斑的分割并为每个分支设计附加约束，从而促进语义分解并提高牙菌斑分割的性能。SDNet 引入了两个约束模块：(CCM) 和 (SCM)，并构建了大规模开源的 Stained Dental Plaque Segmentation dataset (SDPSeg)。实验结果表明，SDNet 实现了最先进的性能。

Aug, 2022

本研究提出了一种基于简单的长宽比批注的自动结节分割方法，并通过扩展长宽比批注标签，采用两种类型的伪标签训练两个不对称分割网络，结合保守和激进标签采用一种平衡策略，同时引入了一种动态混合伪标签监督模块以解决过分割和欠分割问题。此外，为了进一步利用临床批注提供的空间先验知识，本研究还提出了一种新的损失函数，即临床解剖先验损失。在甲状腺和乳房的两个临床采集的超声数据集上的广泛实验表明，我们提出的方法的性能优于其他方法，甚至可以实现与使用真实批注的全监督方法相当甚至更好的性能。

Apr, 2024

乳腺超声在癌症诊断中起着重要作用，是一种非侵入性、具有成本效益的方法，在肿瘤定位和癌症分类任务中深度学习的发展使得许多基于 CNN 的方法被广泛研究。在本研究中，我们旨在重新设计和构建端到端多任务架构，以进行分割和分类。通过我们提出的方法，在分割任务中，使用 DeepLabV3 + 架构，实现了 79.8% 的卓越性能和时间效率达到 86.4%。

Jan, 2024

通过使用多任务学习和卷积神经网络，提出了一种自动分类和检测腹部器官的方法，实验结果表明，该方法能够在单个网络中完成所有任务，提高特征提取的效率以及分类和测量的准确性。

May, 2018

通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。

Jul, 2023