该研究提出了一种使用时间感知神经常微分方程（NODE）分析疾病进展的新框架。我们引入了一个在自监督学习（SSL）中训练的 “时间感知头”，以利用潜在空间中的时间信息来进行数据增强。与缺乏显式时间集成的传统方法相比，该方法有效地将 NODE 和 SSL 结合，提供显著的性能改进。我们利用 OPHDIAT 数据库展示了我们的策略在糖尿病视网膜病变进展预测中的有效性。与基准线相比，所有的 NODE 架构在 ROC 曲线下面积（AUC）和 Kappa 指标上都取得了统计显著的改进，突显了使用 SSL 启发式方法进行预训练的效果。此外，我们的框架促进了 NODE 的稳定训练，在时间感知建模中经常遇到的挑战中取得了突破。

Apr, 2024

通过利用神经常微分方程（ODE）进行图像配准，本研究论文讨论了如何利用该框架来帮助表征顺序生物过程，从而更好地理解医学图像分析中的生物动态，该方法可以从数据中直接学习动态，并使用序列数据来规范转换轨迹。

Apr, 2024

本文探讨了使用纵向自监督学习方法，从连续双眼底彩色照片图像中建模糖尿病视网膜病变疾病进程以及检测早期 DR 病情的变化，实验结果表明使用 LSSL 潜在空间编码 DR 进展的动态，可以取得更好的检测效果。

Sep, 2022

本研究提出了一种结合纵向成像、糖尿病视网膜病变、神经常微分方程以及 $ t_{mix} $ 增强的纵向混合训练（LMT）框架，用于检测和预测糖尿病视网膜病变的进展。结果显示，我们的纵向任务可以学习糖尿病视网膜病变的进程，并且引入 $ t_{mix} $ 增强对于时间感知模型是有益的。

Oct, 2023

使用普通微分方程进行统计建模，处理纵向队列数据中的局部变化问题，并利用神经网络进行动态建模和参数提取。

Nov, 2023

我们提出了 TS-NODE，这是首个使用 NODE 对动态系统进行半监督建模的方法，它通过生成廉价的合成伪轨迹来扩大状态空间中的探索，解决了由于缺乏真实系统数据而产生的挑战，并在教师 - 学生模型下根据学生的反馈来纠正教师模型。TS-NODE 在多个动态系统建模任务中比基线的神经 ODE 模型展现了显著的性能提升。

Oct, 2023

通过使用神经 ODE 和 SDE 模拟疾病进展的图像流场，ImageFlowNet 框架能够学习多尺度联合表示空间，并通过结合患者群体来传递信息，从而在长期医学图像数据集中准确预测疾病进展。

Jun, 2024

本文提出了一种独特的方法，通过考虑 ODE 求解器的结束时间 T 的分布来模拟 NODE 中的不确定性，从而提高了 NODE 模型的鲁棒性和不确定性建模能力，并提出了自适应的潜在时间 NODE (ALT-NODE)。

Dec, 2021

本篇研究使用 Neural Ordinary Differential Equations（NODE）和 U-Net 架构来改进医学图像分割，并在 GlaS 数据集上证明，它可以提高分割结果同时降低内存负载和参数数量。

Oct, 2019

本文提出基于自监督学习（SSL）的预训练策略，针对医学图像的非典型性，开发了一种基于 Transformer 的纵向遮蔽自编码器 (MAE)，研究了时间感知的位置嵌入和疾病进展感知的遮蔽策略，通过评估在糖尿病视网膜病变（DR）筛查数据集上的预训练权重，证明了这些扩展显著提高深度分类模型的预测能力。

Mar, 2024