本文提出了一种学习到的空间屏蔽机制，以过滤出注意力矩阵中的无关背景信号，并通过最大化掩蔽变分表示和类标签之间的信息，以使鉴别性区域更准确的定位，最终成功通过使用 ChestX-ray8 数据集实现了肺炎本地化而不使用任何像素级或边界框注释。

Mar, 2019

提出了一种名为 UMed 的非可学习医学图像生成方法，它通过注入轮廓和纹理感知的扰动来保护图像，从而仅对医学图像分割关键特征进行干扰，达到更大的隐蔽性和保护性能。

Mar, 2024

这篇论文提出了一种名为 “自监督遮盖” 的无监督异常检测和定位方法，通过随机遮盖和恢复来扩展基于重建的异常检测架构，并引入了渐进式遮盖细化方法来进一步提高检测和定位效率和效果。

May, 2022

本研究提出了一种采用敌对掩蔽技术增强医学数据集的自监督学习方法，该方法针对 12 导联心电图数据生成掩蔽增强，相比于传统增强方法在少样本数据集上表现更优，证明了该方法的泛化性。

Nov, 2022

为了解决在医学成像中的过拟合问题，本文提出了一种名为 GradMask 的正则化方法，通过对错误的特征与目标类之间的关联进行惩罚，防止非瘤相关特征对不健康样本的分类产生贡献，并取得了 1-3% 的精度提升。

Apr, 2019

提出了一种基于关键点的数据增强方法，AdvMask，它可以通过最敏感的关键点在图像上生成结构化遮罩，从而强制 CNN 分类模型在最具区分性的内容被隐藏时寻找其他相关内容，提高分类模型在测试过程中的性能。实验结果表明，AdvMask 在各种数据集和 CNN 模型上的表现优于其他以信息删除为基础的数据增强方法。

Nov, 2022

深度神经网络中的对抗样本会引起弱可靠性和潜在安全问题。为了解决对抗鲁棒性和模型压缩之间的问题，我们提出了一种基于对抗损失的二阶信息的新对抗剪枝方法，称为 MAD。通过在三个公共数据集上进行的广泛实验，我们证明了 MAD 有效地剪枝了对抗训练的网络，而不会失去其对抗鲁棒性，并显示出比以前的对抗剪枝方法更好的性能。

Apr, 2022

本研究提出了一种无监督领域适应方法，用于自动生成乳腺超声成像中乳腺病变感兴趣区域（ROIs）的图像掩膜。我们的半监督学习方法利用在带有真实注释的小型公共乳腺超声数据集上训练的原始模型，针对领域适应任务进行迭代改进，生成私人未标记乳腺超声数据集的伪掩膜。该数据集的大小是公共数据集的两倍，并在图像采集角度和人群代表性方面具有相当的变异性，具有领域转移的挑战。与典型的领域对抗训练不同的是，我们使用下游分类结果作为基准，指导随后迭代中伪掩膜的更新。我们发现分类精度与生成的 ROIs 的完整性之间高度相关，促进了深度学习分类模型的解释性。初步研究结果证明了这种方法在简化 ROI 注释过程，从而增强乳腺病变的分类和定位以进行更精确和可解释的诊断方面的效果和可靠性。

Apr, 2024

本文提出了一种简单而有效的方法，通过从医疗数据中提取关键词并模拟临床医生的思维过程，从而缓解患者隐私问题，增强小型语言模型在医学任务中的决策能力，最终在受隐私限制的情境下取得了新的结果，并在两个医学任务中达到了新的最高水平

May, 2023

本文提出了一种基于 saliency 的 CNN 精度和资源消耗综合考虑的自适应稀疏学习方法（SASL），通过调整正则化强度实现更优化的结构稀疏网络，实验结果表明在 ILSVRC-2012 数据集上，SASL 可以将 ResNet-50 的 FLOP 降低 49.7％，同时只有 0.39％的 top-1 准确度下降和 0.05％的 top-5 准确度下降。

Mar, 2020