研究使用多视角视觉 Transformer 构建计算机辅助诊断方案，在不需要繁琐的预处理步骤的情况下，基于四张乳腺 X 线照片的 Transformer 模型达到了 81.8% 的诊断准确率，优于当前多视角 CNN 的诊断准确率。

Jun, 2022

本文提出了一种创新的基于 Transformer 的多视图网络，用于解决乳房 X 线照片分类中的挑战。我们的方法通过引入一种新颖的基于移动窗口的动态注意力块，促进多视图信息的有效集成，并在空间特征映射级别上促进该信息在视图之间的一致传递。此外，我们使用 CBIS-DDSM 和 Vin-Dr Mammo 数据集对基于 Transformer 的模型在不同设置下的性能和有效性进行了全面的比较分析。我们的代码公开可用于此 https URL。

Feb, 2024

本文提出了一种新的乳腺 X 光照片肿块检测框架，名为交叉视图关系区域卷积神经网络（CVR-RCNN），对来自两个配对视图的相应质量兴趣区域（ROIs）之间的潜在关系信息进行了捕捉，并在公共和私人数据集上取得了较之前的最新研究方法更出色的结果，说明跨两个视角的关系信息结合有助于训练出更好的检测模型，有很大应用潜力。

Jul, 2019

通过多模态变压器（MMT）神经网络，综合使用乳腺 X 光摄影和超声波，针对目前患癌患者和目前无癌患者，识别患者及估计未来胸部癌症风险的研究表明，MMT 在检测现有癌症方面取得了 AUROC 值为 0.943 的成绩，并超过了单模态基线，对于 5 年风险预测，MMT 实现了 AUROC 值为 0.826，胜过以往基于乳腺 X 光摄影的风险模型。本研究凸显了多模态和纵向成像在癌症诊断和风险分层中的价值。

Nov, 2023

本研究提出了一种快速、准确的冠状动脉疾病筛查和评估方法，基于深度学习和多轴视觉变压器架构，自动对计算机断层扫描成像进行分类和评分，并不需要人工干预。

Apr, 2023

本文提出了基于交叉引用变压器的医学图像分割方法，能够在高维通道中更好地挖掘和增强支持特征和查询特征的相似部分，实验结果表明该模型在 CT 数据集和 MRI 数据集上均取得了良好的结果。

Apr, 2023

使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术，在三个医学图像数据集上比较了它们的表现，并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较，在分类不同的解剖结构、所见和异常方面，我们的 Transformer 模型优于或更有效，比 CNN 基于的方法有所改进，建议将其用作算法开发的新基准算法。

Apr, 2023

本研究通过引入自监督预训练框架，提出了一种全新的端到端 Cross-Shaped windows (CSwin) transformer UNet 模型，用于检测临床重要的前列腺癌症，通过在大量未标记的数据上进行学习，提高数据效率和网络的泛化能力，成功地提高了模型性能。

Apr, 2023

利用 PET/CT 成像技术和 transformers 的多模态融合，提出了一种无监督的异常检测算法，用于检测癌症的存在，并表明该方法可以在缺少正常训练数据的情况下准确地进行癌症定位，进而提高了临床诊疗精确性。

Apr, 2023

通过深度学习方法进行图像配准，该方法在集成放射学和病理学信息方面具有更好的性能，从而便于生成大规模数据集，以训练更准确的乳腺癌检测模型。

Jan, 2024