提出了 ChAda-ViT，一种新颖的通道自适应视觉 Transformer 体系结构，应用于具有任意数量、顺序和类型通道的图像，并在自我监督训练中训练，优于现有方法，在几个具有生物学意义的下游任务中表现出色，并能够将各种图像和实验模式嵌入统一的生物图像表示中，有望促进跨学科研究，并为生物图像分析中深度学习的更好应用铺平道路。

Nov, 2023

对于离散选择建模（Discrete Choice Modeling，DCM）与机器学习的交集进行研究，以图像数据整合进 DCM 的效用函数并对其对模型解释性的影响进行探讨。研究发现，神经网络（NN）组件在存在共现情况下，能够从图像中学习和复制表格变量的表达，从而影响了 DCM 参数的解释性。针对这一挑战，文章提出并对两种方法进行评估：通过架构设计调整来隔离冗余信息，以及通过源信息屏蔽和修复来降低同构信息的影响。在半合成数据集上进行的实验表明，尽管架构的修改结果不确定，但直接从数据源进行干预可以更有效地保持 DCM 解释性参数的完整性。文章总结了研究结果在现实世界中的适用性，并讨论了将复杂数据模式相结合的混合建模研究的意义。通过使用 MIT 的道德机器数据集，整合表格和图像数据，并采用学习多项式逻辑（Learning Multinomial Logit，L-MNL）框架，实现了对表格和图像数据完全匹配的控制。

Dec, 2023

使用 Image2Omics 深度学习方法，预测细胞群体内来自高含量显微图像的多重荧光染色数据；结果表明，细胞成像可能是多重组学测量的可替代方法。

Jun, 2023

通过使用一种新的通道采样策略来增强 MCI-ViT 模型的特征多样性，DiChaViT 方法在卫星和细胞显微图像数据集上实验证明其超过现有技术 1.5-5.0% 的性能提升。

May, 2024

本文提出了一个用于研究显微成像中通道自适应模型的基准测试，其中包括多通道单细胞图像数据集和生物相关评估框架。我们通过比较现有技术的性能，发现通道自适应模型在跨领域任务中具有更好的泛化能力和计算效率。同时，我们贡献了一个精选数据集和评估接口，以促进未来研究和应用中的客观比较。

Oct, 2023

本文研究了几种不同的特征重要性估计方法用于解释卷积深度神经网络对计算机断层扫描（Computed Tomography，CT）图像分类的性能，结论是不同的估计方法对不同准则的性能评估表现不同，同时，专家注释的分割图像与模型到达的预测结果之间存在差异，意识到了解释性差异可以帮助深度学习在医学领域的应用。

Sep, 2022

本研究提出一种名为 CIN 的模型， 结合自通道交互 (SCI) 和对比通道交互 (CCI) 模块， 进行细粒度图像分类。实验结果表明，该模型在公开基准测试中比 DFL-CNN 和 NTS 方法表现更好。

Mar, 2020

通过纹理特征和强鉴别特征的自适应选择，我们提出了 IFE 方法来加强基于局部曲率或全局信息熵标准的生理结构分割中的原始特征。研究结果表明，IFE 仅需轻微调整即可提高经典分割网络在不同解剖结构和模态下的性能，同时实现了简单性、普适性和一定的可解释性。

Jun, 2023

利用深度多通道框架和卷积神经网络，基于评估指标，提出了一种新颖的，具有高效性和普适性的肠腺组织图像实例分割算法。

Nov, 2016

本研究提出了一种名为 DeepcomplexMRI 的多通道图像重建方法，使用残差复杂卷积神经网络加速并行 MR 图像采集，并在多层网络中加强了 K 空间数据一致性，评估结果表明，该方法能够更准确地重建所需的 MR 图像。

Jun, 2019