脊柱转移的基于学习的骨质分类方法
开发了一种自动检测 CT 体积中骨病变（溶骨性、硬化性和混合性）的方法，通过代理分割任务使用 2D 切片生成弱 3D 分割掩模，然后使用训练好的 3D 全分辨率 nnUNet 模型进行分割和检测，实现了 96.7％的精确度和 47.3％的召回率。
Jan, 2024
此研究的目标是通过三种方法自动检测自由样式计算机断层扫描（CT）放射学报告中的转移性肝病，我们的研究表明，使用泛化语言模型、半监督学习和多任务转移学习方法可以提高模型的性能。
Oct, 2023
利用机器学习的预处理算法和分类算法，研究了检测转移性癌症的潜力，通过降低数据维度和使用 k 最近邻算法，获得了最高 71.14% 的准确率。
Sep, 2023
建立一种计算机辅助诊断系统，用于支持医生在内支气管超声（EBUS）手术中进行转移癌的初步诊断，通过安排 EBUS 手术后其他部位的立即检查，消除了等待报告的需要，将等待时间减半以上，并使患者能够更早地发现其他癌症，从而实现早期治疗计划的早期规划和实施。同时，通过引用现有的建议模型和设计模型架构来分类肺转移细胞图像，本研究证实了少样本学习在转移癌分类中的优越性，并表明使用 Batch Spectral Regularization（BSR）作为损失函数和修改 Finetune 能增强该模型的能力。
Apr, 2024
提出了一种三阶段的方法来解决椎骨水平的 3D CT 椎骨识别中的挑战，通过顺序执行椎骨定位、分割和识别的任务，有效利用椎骨的解剖先验信息，并采用监督对比学习方法进行预训练来解决类间相似性和类内变异性问题，并进一步优化识别结果。
Jan, 2024
本文提出了一种使用卷积神经网络进行乳腺癌转移检测和 pN 分期分类的稳健方法，用于处理多个吉吉像素病理学图像，实现了 0.9203 的加权 Kappa 得分，超过了 Camelyon17 挑战的前几名方法。
May, 2018
本研究提出一种自动定位和标记三维医学图像中椎体中心的算法，使用 DI2IN 进行初始化，使用基于消息传递方案的聚类方法和稀疏性约束进行迭代演进，最终使用稀疏性正则化进行结果优化。该算法在多个病理学数据集上表现出良好的性能。
May, 2017