本研究提出一种个性化诊断工具，该工具利用超声和多视图分类模块来提取脖子部位的特征信息和个性化突出不同部分的最佳视角来评估甲状腺结节，提升诊断效率。实验结果表明，该工具比传统方法更能利用多视图信息，并且获得更好的诊断效果。

Jul, 2022

利用自我监督学习和对比学习的方法，在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型，旨在推进我们对对比学习框架的理解。具体而言，我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官（如肺和心脏）的超声图像以及大量的自然图像。我们的结果表明，与监督基线方法相比，传统的对比学习预训练可以提高性能。此外，我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明，预训练多器官数据可以提高下游任务的性能。

Feb, 2024

本研究提出了一种基于简单的长宽比批注的自动结节分割方法，并通过扩展长宽比批注标签，采用两种类型的伪标签训练两个不对称分割网络，结合保守和激进标签采用一种平衡策略，同时引入了一种动态混合伪标签监督模块以解决过分割和欠分割问题。此外，为了进一步利用临床批注提供的空间先验知识，本研究还提出了一种新的损失函数，即临床解剖先验损失。在甲状腺和乳房的两个临床采集的超声数据集上的广泛实验表明，我们提出的方法的性能优于其他方法，甚至可以实现与使用真实批注的全监督方法相当甚至更好的性能。

Apr, 2024

通过自监督预训练可以生成适用于多种 B 模式肺部超声分析分类任务的神经网络特征提取器，经预训练模型在三项肺部超声任务的微调后，平均跨任务下的受试者工作特性曲线（AUC）面积分别提高了 0.032 和 0.061， 紧凑非线性分类器在单个预训练模型输出的特征上训练并不能提高所有任务的性能，但比起独立微调模型的串行执行，推理时间缩短了 49%；在仅使用 1％的标签进行训练时，预训练模型始终优于全监督模型，对于视图分类任务，最大观察到的测试 AUC 提高了 0.396。总体而言，结果表明自监督预训练有助于生成用于肺部超声分类器的初始权重。

Sep, 2023

本研究提出了一种基于特征反馈机制的新型检测网络，该机制首先粗略观察整体图像，然后专注于感兴趣的细节，并具有反馈特征选择模块和特征反馈金字塔两个部分来提高功能提取以及自适应融合多种特征

May, 2023

自监督预训练在医学图像诊断任务中通过改善特征表示进而提高了下游任务性能，尤其是在无标注样本数量远远超过有标注样本数量时。该综述总结了近期在 X 射线、计算机断层扫描、磁共振和超声成像领域中应用自监督预训练与全监督学习相比较的研究，最重要的发现是自监督预训练普遍提高了诊断任务的性能。基于综合证据，为考虑使用自监督学习的实践者提供了相关的建议，同时针对当前研究中存在的局限性，提出了未来研究的方向与实践，如将临床知识与理论基础的自监督学习方法结合、在公共数据集上进行评估、扩展对超声成像领域的研究证据，以及表征自监督预训练对泛化性能的影响。

Sep, 2023

甲状腺疾病的超声诊断中，通过自动定位超声图像切片到三维形状表示，可以减轻医生的认知负担，并为超声诊断提供方便。使用交叉模态配准和统计形状模型，该方法表明可以在患者特异性的三维解剖学和统计形状模型上准确定位图像切片，并为超声采集过程中的切片定位提供有用的工具。

Sep, 2023

提出了一种通过新型共同注册网络实现的甲状腺结节分割框架 ASTN，通过从图谱和目标图像中提取潜在的语义信息，并利用深度特征完成甲状腺超声图像中结节的共同注册，确保解剖结构完整性，并减少不同设备造成的图像整体差异对分割的影响，同时通过提供图谱选择算法缓解共同注册的困难，评估结果表明，我们提出的方法在改善模型推广能力的同时，保持了较高的分割准确度。

Oct, 2023

本研究探讨了在 M 模式肺超声图像的肺滑动分类任务中，进行自监督预训练对于监督微调的实用性，结果表明，相对于完全监督，自监督预训练表现更好，特别是对于未使用 ImageNet 预训练权重来初始化特征提取器的情况下。此外，包含大量未标记数据可提高外部验证集上的表现，突显了自我监督在提高自动超声识别的泛化能力方面的价值。

Apr, 2023

本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

May, 2023