本研究提出一种个性化诊断工具，该工具利用超声和多视图分类模块来提取脖子部位的特征信息和个性化突出不同部分的最佳视角来评估甲状腺结节，提升诊断效率。实验结果表明，该工具比传统方法更能利用多视图信息，并且获得更好的诊断效果。

Jul, 2022

该文章介绍了一种基于多通道多尺度卷积网络的深度学习系统，该系统可以自动分类肺癌结节，从而提高 CT 扫描的结果判断准确率。该系统采用了一个基于多尺度的卷积网络结构，在使用意大利的 MILD 筛查试验数据和丹麦的 DLCST 筛查试验数据进行验证后，其结节识别的准确度已经超过了四名人类识别者的平均水平。

Oct, 2016

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

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

通过深度学习框架，我们在常规乳腺 X 线照片上提出了一个大型私有化分割数据集，并进行了大量实验以考虑不同的深度学习模型结构，从而准确地分割了乳头、胸肌、纤维腺体组织和脂肪组织，展示了该框架可以整合到临床实践中。

Jul, 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

利用重建方法建立了肺部的 3D 仿真模型，构建了计算机辅助肺结节检测模型，并基于神经网络对图像进行迭代处理以优化肺结节识别模型。该模型与 3D 虚拟建模技术结合，提高了系统的交互性，以实现肺结节的智能识别。利用 LUNA16 大样本数据库作为研究数据集，采用 FROC 分析评估模型性能，计算不同虚警率下的灵敏度来得出平均 FROC。与传统诊断方法相比，该技术可显著提高识别率，有助于在早期阶段检测肺部异常，对及时诊断肺癌具有巨大价值。

Jun, 2024

本文介绍了 LUNA16 挑战的设置和结果，通过对不同自动检测算法的表现进行比较，发现使用卷积网络和提供的结节候选集组合可实现超过 95% 的灵敏度，这突出了将算法组合以提高检测性能的潜力。

Dec, 2016

该研究提出了一种基于三重神经网络的新方法，用于在同一患者的两次 CT 扫描中识别癌变结节并检测其生长情况，结果表明识别敏感度为 94.7％，匹配准确率为 88.8％，生长检测的灵敏度为 92.0％，精度为 88.4％。

Dec, 2019

提出了一种通过新型共同注册网络实现的甲状腺结节分割框架 ASTN，通过从图谱和目标图像中提取潜在的语义信息，并利用深度特征完成甲状腺超声图像中结节的共同注册，确保解剖结构完整性，并减少不同设备造成的图像整体差异对分割的影响，同时通过提供图谱选择算法缓解共同注册的困难，评估结果表明，我们提出的方法在改善模型推广能力的同时，保持了较高的分割准确度。

Oct, 2023