该论文回顾了与医学图像分析相关的主要深度学习概念，并总结了300多项协同研究的成果，大部分研究在过去一年内发表。文中调查了深度学习在图像分类、物体检测、分割、注册等任务中的使用并提供了应用领域的简介。同时也探讨了未来研究的开放性挑战和方向。
Feb, 2017
本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。
Jul, 2017
本文综述了医学成像技术中使用人工智能特别是深度学习方法如卷积神经网络来协助医生快速而准确地诊断疾病。
Jun, 2023
我们提出了一个3D Resnet-50深度学习模型，通过计算机断层扫描冠状动脉造影图像来直接分类正常人和冠状动脉疾病患者，并使用Grad-GAM提供可解释性。此外，我们将3D冠状动脉疾病分类与2D双类语义分割相结合，以提高可解释性和准确的异常定位。
Jul, 2023
冠状动脉疾病的自动化检测和图像分析对诊断过程进行了有效的简化，证实了提出的模型在识别狭窄病变方面表现出色。
Oct, 2023
提出了一种用于从X射线冠状动脉造影图中准确检测狭窄的架构和算法StenUNet，通过结合机器学习和其他计算机视觉技术，在ARCADE挑战中获得第三名，测试数据集上达到了0.5348的F1得分，比第二名低了0.0005。
应用人工智能与深度学习技术结合视网膜成像，实现心血管疾病早期检测和诊断的研究概览。
Nov, 2023
提出了一种基于深度学习的方法用于检测冠状动脉侧支循环(CCC)在血管造影图像中的方法，并取得了有希望的结果，可以进一步扩展为基于标志点的CCC检测和CCC定量化。
Jan, 2024
本研究针对心肌梗死（MI）检测的缺口，开发了一种基于卷积神经网络（CNN）的模型。该模型利用InceptionV3架构并通过迁移学习优化，能够以93.27%的准确率识别心肌梗死等心血管疾病，显著支持临床医生在心脏病早期检测和预防中的工作。
Aug, 2024
本研究针对当前医疗影像分析中的诊断效率和准确性问题进行了探讨，提出深度学习算法，尤其是卷积神经网络（CNN），作为一种新的分析工具。这些模型能够自我学习多维医疗影像的特征，显著提高多个医学领域中的疾病检测和分类效率，具有广泛的应用前景。
Oct, 2024