通过提出的 Spatial-Temporal Progressive Fusion Network（STPFNet）在超声视频乳腺病变分割问题中取得了比现有最先进方法更好的病变检测性能。

Mar, 2024

通过学习静态图像和动态视频的特征，并探索两种模态之间的潜在关系，我们提出了一种模拟放射科医生诊断过程的多模态乳腺肿瘤诊断模型，在在融合多模态特征之前，将动态视频特征在专业放射科医生指导下聚合。在 897 套乳腺超声图像和视频的数据集上进行实验证实，我们的模型提高了良性 / 恶性分类的性能，AUC 达到 90.0%，准确率为 81.7%。

Aug, 2023

该研究提出了一种新颖的两阶段训练范式，用于乳腺超声视频的分割，通过多样化的数据增强策略实现了自由空时一致性的捕捉，并在医学数据集上进行了验证，结果表明该方法在仅使用 1.9％的训练标签时能够获得与完全注释数据相当的性能。

Feb, 2024

本研究提出了多注意力增强的深度学习框架，用于从超声图像中进行乳腺癌肿瘤的分类和分割，实验结果显示其在分割和分类任务上取得了优异的性能。

Jul, 2024

本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

Jun, 2023

探索使用静态图像数据集增强超声视频分类性能的可能性，提出了 KGA-Net 和一致性损失，通过使用静态图像生成的特征中心来引导视频模型中的帧注意力的一致性损失，KGA-Net 显著提高了公共 BUSV 数据集的分类性能，并证明了该方法的解释性。

Jun, 2023

通过使用深度学习模型，通过超声成像来准确诊断颈淋巴结病变。我们提出了 Conv-FFT Block 与 US-SFNet 两者相结合的方法，该方法不仅可以从空间域中识别超声图像的变异，还可以在频率域中捕捉不同病变的显微结构改变。通过与其他 12 种经典模型进行对比，结果表明 US-SFNet 在交叉验证中获得了 92.89％的准确度、90.46％的精确度、89.95％的敏感度和 97.49％的特异度。

Aug, 2023

通过提出一种新的结构感知网络和平滑度项，以更好地利用组织解剖学信息并生成更准确的语义边界，对乳腺超声图像进行分割，从而显著改善了肌肉、乳腺和肿瘤类别的分割结果，并产生更准确的组织边界细节。

Mar, 2024

通过引入空间 - 时间变形注意力模块实现局部空间 - 时间特征融合，本研究提出的 STNet 在每个编码器和解码器阶段都能有效地进行深度特征聚合，同时引入编码器特征洗牌策略提高多帧预测的检测速度。实验结果显示，STNet 在公共乳腺病变超声视频数据集上达到最先进的检测性能，同时有两倍的推理速度。

Sep, 2023

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