该论文提出了一种名为BARC的新方法，该方法通过对犬种相似性的研究，解决了从单幅图像中恢复犬只3D形态和姿态的难题，证明了基因相似性的先验信息可以帮助弥补缺乏3D训练数据的不足。

Mar, 2022

使用 STREAMLINE 方法，这项研究探索了基于摄影的表型特征在预测阻塞性睡眠呼吸暂停（OSA）中的应用价值，结果发现摄影特征在预测中重度/严重 OSA 方面提供了额外的价值，但没有超越传统人口统计学、并发症和症状特征在预测 OSA 中的效果。

Dec, 2023

通过呼吸音检测病理学，使用 ICBHI 基准数据集，利用变分卷积自编码器和卷积神经网络实现对呼吸音进行分类以及区分不同类型的病理学或健康状态，取得了高达0.993 F-Score的分类结果。

Feb, 2024

本研究介绍了一种名为LoGoNet的新型神经网络架构，通过自监督学习方法解决了现有机器学习图像处理方法在医学应用中的挑战，提高了医学影像分割的性能。

Feb, 2024

评估使用D-CNN算法对猪体条件进行分类的研究，主要关注卫生监测中观察到的特征，包括尾部咬食、耳血肿、身体擦伤、发红和自然污渍（棕色或黑色）。研究结果表明，D-CNN对与皮肤特征相关的猪体形态偏差具有有效分类能力，并通过分析Precision、Recall、F-score、ANOVA和Scott-Knott测试等性能指标进行评估。该研究的贡献在于提出了在猪类形态学分类中使用D-CNN网络的方法，并创建了一个新的图像数据库，可用于未来研究。

Mar, 2024

该研究介绍了DogHeart数据集，由1400个训练图像、200个验证图像和400个测试图像组成，根据VHS得分分为小、正常和大三类。该研究开发了一种定制的CNN模型，简单的架构包括4个卷积层和4个全连接层。尽管没有使用数据增强技术，该模型在犬类心脏肥大程度分类中实现了72％的准确率。该研究对于犬类心脏疾病的自动评估有所贡献，突出了早期检测和干预在兽医护理中的潜力。

Jul, 2024

该研究介绍了PetFace数据集，这是一个涵盖13个动物家族和319个品种类别的全面资源，包括实验动物和宠物动物，旨在促进动物面部识别和鼓励非侵入性动物自动识别方法的发展。

Jul, 2024

本研究针对现有基于咳嗽声音的呼吸疾病诊断方法存在的数据规模限制和模型性能不足的问题，提出了一种统一框架，对多种深度学习模型进行评估。通过自监督和监督学习结合的大规模咳嗽数据集分类方法，实验结果显示该方法在COVID-19和慢性阻塞性肺疾病的分类任务中超越了以往研究，其AUROC达到了92.5%。

Aug, 2024

本研究解决了通过打鼾声分类不同气道级别塌陷的问题，特别是在阻塞性睡眠呼吸暂停（OSA）患者中。研究创新性地应用了深度学习方法，表明ResNet-50在打鼾声分类方面表现最佳，尤其在识别多级阻塞方面。该工作的潜在影响在于通过结合打鼾声与深度学习的方法，可能提升OSA的诊断和治疗效果。

Aug, 2024

本研究解决了在犬类医学实践中肌肉骨骼系统检查缺乏训练数据的问题。通过提出一种生成合成图像数据的方法，模拟真实疾病的视觉文档，从而支持AI模型的预训练。研究表明，在处理少量视觉文档示例时，使用合成数据可以显著提高诊断准确性，提供了超越犬类肌肉骨骼评估领域的应用潜力。

Sep, 2024