我们提出了一种新颖的自动化方法，利用注意力引导降噪扩散异常检测 (AG-DDAD) 来评估乳腺整形手术后的乳房美容效果，通过利用无注释自监督 Vision Transformer 的注意力机制和扩散模型，在高质量图像重建和有针对性地变换区域的基础上，从未标记数据中无监督地检测异常以自动评分整形效果。与常用的基于规则的程序相比，我们的完全自动化方法不需要手动注释，提供客观评估。此外，我们的异常检测模型在准确性上表现出色，超过现有的模型，在乳房整形美容领域的超监督异常检测中具有重要意义，并为未来的研究铺平道路。

Feb, 2024

本文研究了乳腺密度分布对深度学习模型在乳腺 X 光照片中的泛化性能的影响，并使用 VinDr-Mammo 数据集探索了域自适应技术，特别是噪声潜在可转移性探索（NLTE）框架下的域自适应目标检测（DAOD）来改善模型性能。结果显示，DAOD 和所提出的增强框架可以提高深度学习模型的泛化性能，特别是在乳腺密度分布的情况下，这对乳腺 X 光照片具有重要意义。

Jun, 2023

通过分析磁共振成像（MRI）数据，利用深度学习技术准确估计大脑年龄是有潜力的，但现有方法往往直接利用整个输入图像，忽视了两个重要考虑因素：1）大脑老化的异质性，即不同脑区可能以不同速率退化，和 2）大脑结构中存在与年龄无关的冗余信息。为了克服这些局限性，我们提出了一种基于双图注意的解耦多实例学习（DGA-DMIL）框架以改善大脑年龄估计。我们通过将 3D MRI 数据视为一组实例，输入到 2D 卷积神经网络主干中，以捕捉 MRI 中独特的老化模式。然后，提出了一个双图注意聚合器，通过利用实例内和实例间的关系学习主干特征。此外，我们还引入了一个解耦分支，以将与年龄相关的特征与与年龄无关的结构表示分离，以改善冗余信息对年龄预测的干扰。为了验证所提出的框架的有效性，我们对包含 35,388 名健康个体的 UK Biobank 和 ADNI 两个数据集进行评估。我们的模型在 UK Biobank 中显示出令人瞩目的准确性，达到了 2.12 年的平均绝对误差。与其他竞争的大脑年龄估计模型相比，我们的方法已成为最先进的。此外，实例贡献分数在年龄预测中识别了不同脑区的重要性，为对大脑老化的理解提供了更深入的洞察。

Mar, 2024

使用生成对抗网络的合成数据，结合传统数据增强方法来提高乳腺癌分类的性能。

Jul, 2018

通过提出的参数化超复杂关注地图（PHAM）框架，我们展示了其在乳腺癌图像分类方面的有效性，该框架使用深度学习技术和关注地图来改善诊断性能，并在乳腺癌图像和组织学图像方面超越了基于注意力的最先进网络和现有方法的实值版本。

Oct, 2023

本文提出了一种基于对比学习的半监督 3D 医学图像分割策略 (FBA-Net)，通过对前景 - 背景对进行对比，旨在学习一种能够有效捕捉感兴趣解剖结构的表示，实验结果表明，本方法达到了 91.31% 的 Dice 分数，具有推动半监督 3D 医学图像分割的潜力，能够在有限标注的情况下实现更高效和准确的医学图像分析。

Jun, 2023

通过研究利用深度学习的计算机辅助检测系统尽早检测乳腺癌在改善疗效和降低死亡率方面具有潜在优势，但限于数据的数量和异质性，我们提出了使用生成敌对网络的训练生成器来从多个中心共享数据，以此作为代替真实患者数据的潜在解决方案，在两种分类模型下，我们的实验表明，共享的生成敌对网络显著提高了变压器和卷积分类模型的性能，突出了这种方法作为中心之间数据共享的可行替代方法。

Mar, 2022

本文介绍了 “随机擦除” 这种新的数据增强方法，可以帮助训练卷积神经网络，从而生成更加鲁棒的模型，有助于解决过度拟合问题和遮挡问题，在图像分类、目标检测和人物再识别等领域中表现优异。

Aug, 2017

提出了一种新型的注意力门模型，可自动学习聚焦各种形状和大小的目标结构，在卷积神经网络模型中集成可以提高模型灵敏度和预测准确性并加速计算，应用于医学图像分类和分割任务中可提高模型预测性能并改进其启发机制。

Aug, 2018

表面检查中的异常检测是制造业中一项重要且具有挑战性的任务，我们提出了一种名为 Excision and Recovery（EAR）的新型重建方法，通过单一确定性掩模来屏蔽潜在的疑似缺陷区域，用于异常检测。通过实验证明，EAR 模型在异常检测性能和吞吐量方面均优于现有方法。

Oct, 2023