本文综述了深度学习在医学成像领域的应用，阐述了医学成像的特点、临床需求和技术挑战，描述了深度学习是如何应对这些问题的，其中包括网络结构、稀疏和噪音标签、联邦学习、可解释性、不确定性量化等内容。此外也介绍了常见的数字病理学和胸部、脑部、心血管和腹部成像等几个临床案例，最后展望了未来研究的方向。

Aug, 2020

概述了近年来机器学习在医学图像处理和分析领域的应用，特别关注深度学习在 MRI 中的应用，以及为对这个领域感兴趣的人提供好的教育资源、最先进的开源代码和有趣的数据来源及相关问题。

Nov, 2018

这篇论文介绍了人工智能，特别是深度学习对大量数据进行训练，测试和验证的需求，以及在对数据进行标注方面实现图像生物库的重要性，并讲述了在实现合适的图像数据集合时，需要考虑法律局限和云计算等多方面，最终提出了一种基于混合云实现 AI pipelines 的解决方案。

Jan, 2022

机器学习在医疗人工智能系统中的应用，从传统和统计方法转向深度学习模型甚至最近的生成模型。近年来，发现了支持多模态数据集成的广泛可用的深度学习架构，尤其是针对图像的。将多种模态融入到这些模型中是一个蓬勃发展的研究课题，提出了独特的挑战。本文讨论了针对医学基于图像的临床决策支持模型的多模态人工智能的五大挑战（表示、融合、对齐、翻译和协同学习），并调查了近期解决这些挑战的方法。我们最后讨论了该领域的未来，并提出了在成功的临床模型及其在临床环境中的转化方面应进一步阐明的方向。

Nov, 2023

传统 DICOM 数据管理系统无法处理机器学习算法所需的数据规模和复杂性，本论文介绍了一种创新的数据整理工具，旨在简化大规模医学影像数据集的组织、管理和处理，满足放射科医生和机器学习研究人员的需要，并在 RACOON 下进行集成。

Sep, 2023

该论文着重介绍了使用机器学习以增强 COVID-19 诊断中的医学影像学方法，例如深度学习可以在几分钟内无需人工干预准确地区分肺部的损伤。此外，机器学习可以辅助放射科医生做出更精确的临床决策，例如检测和区分不同呼吸系统感染以及在 CT 和 X 射线图像中分割感染，即使损伤的大小和形状不同。该文章批判性评估了在 CT 和 X 射线图像的分割、分类和检测中使用的机器学习方法，这些方法被广泛应用于临床和医院设置中以在各个方面详尽地呈现肺部情况。普遍预期这项技术将继续在医疗保健领域占据核心地位，并推动防疫工作的进一步进展。

Jan, 2024

该研究探讨了机器学习和自动化机器学习在医学图像分析中的应用，通过使用神经架构搜索和迁移学习等技术来改善人类专家和计算机系统的诊断准确性。

Jun, 2023

本文总结和回顾了过去五年来针对深度学习在医学图像分析领域中面临着的挑战和问题进行的一系列研究和尝试，强调了半监督和无监督深度学习在医学图像分析领域的最新进展和贡献，并讨论了未来研究的可能解决方案和技术挑战。

May, 2021

医学领域中的人工智能技术发挥着越来越重要的作用，特别是在医学成像领域，通过生成式人工智能可以增强图像质量并提高医学诊断和患者护理水平。

Mar, 2024

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