本研究提出了一种新的基于补丁注意力机制的体系结构，可以为高分辨率图像提供全局上下文，在皮肤病变分类中优于其他基于补丁的方法，并提出了一种诊断引导的损失加权方法以应对类别不平衡问题。

May, 2019

提出一种基于自我训练的半监督学习框架，通过改变向量空间中边缘预测的基础，捕捉有关标记和未标记数据的类依赖性边缘预测，以避免对多数类别的偏见，从而解决医学图像分类中的数据注释耗时和类别分布不平衡的问题。

Jul, 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

通过引入创新的探索式训练方法，结合不完整注释和预测记录来选择可靠的矿化病灶进行重新训练，我们提出的框架在两个医学图像数据集上展现了卓越的性能，超越了现有最优方法。

Sep, 2023

在本文中，我们提出了基于高效轴向注意力的多尺度交叉轴向注意力（MCA）来解决医学图像分割中的多尺度信息获取和像素之间的长程依赖问题，通过计算两个平行轴向注意力之间的双交叉注意力来更好地捕捉全局信息。同时，我们还使用不同核尺寸的多个条状卷积来处理病变区域或器官的显著变化，以提高空间信息的编码效率。经过实验证明，我们的网络MCANet仅具有4M+参数，在皮肤病变分割、细胞核分割、腹部多器官分割和息肉分割等四个具有挑战性的任务上，表现比大型骨干模型（如Swin Transformer）更出色。

Dec, 2023

通过引入Concept-Attention Whitening（CAW）框架，我们提出了一种用于解释性皮肤病变诊断的新方法。CAW不仅提高了可解释性，还保持了最先进的诊断性能。

Apr, 2024

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

这篇论文介绍了一种名为DACB-Net的三支双重注意力引导紧凑双线性卷积神经网络，通过聚焦于学习疾病特定区域以提高准确性和对齐度。该网络结合来自全局分支和局部分支的最后池化层，通过微调提供了一种全面解决皮肤病诊断所面临挑战的方法。该解决方案结合了两个监督分支和一种新的损失函数，以应对数据不平衡、性能提升和可解释性问题。使用HAM10000和ISIC2019数据集的模拟实验证明了这种方法的有效性，相比于现有技术，准确性提高了2.59%。

Jul, 2024

通过引入平衡分类损失和分布边际损失，本研究在三个基准数据集上进行了大量实验，证明了该方法优于现有方法，从而有效缓解了医学数据集中不平衡导致的分类器偏见和遗忘现象。

Jul, 2024

本研究旨在解决当前生物医学影像分析中病变识别准确度不足的问题，尤其针对小于3毫米的微小病变。提出的CAF-YOLO方法结合卷积神经网络和变换器的优点，通过引入注意力与卷积融合模块及多尺度神经网络，显著提升了微小病变的检测和定位能力。实验结果表明，该方法在BCCD和LUNA16等数据集上的表现优异，具有广泛的应用潜力。

Aug, 2024