通过引入受模型观察者框架启发的新型训练损失函数，我们改善了重建合成稀疏视野乳腺 CT 数据中弱信号的可检测性。

Feb, 2024

本文提出了利用空间频率特征来计算损失函数的方法，用于显著降低卷积自编码器重构图像的模糊程度。实验证明，利用这个方法可以减少重构图像中出现的模糊现象。

Jun, 2018

我们提出了一种新的任务特定损失函数来校准神经网络，以减少过于自信的错误，并结合多分类置信度和准确性（MDCA）损失函数，通过进行温度缩放的后校准，实现期望校准错误（ECE）的提升 5.98% 和最大校准错误（MCE）的提升 17.9%，相较于最佳性能 SOTA 算法。

Jan, 2024

该论文提出了一种基于 MSE 损失重建网络的可视改善组件，通过引入感知损失函数和对抗性损失函数，可以更好地平衡图像清晰度和对比度。同时，提出了一种语义可解释性评分，可对象地定量评估图像质量。在基于 8 倍下采样的大型心脏 MRI 数据集上的应用表明，该方法相比最新技术，在人类观察者研究和语义可解释性得分上均有显著提高。

Jun, 2018

通过多任务深度学习模型，以特征为导向的深度学习框架提供了一种新的方法，用于将低质量的锥形束计算机断层成像（CBCT）图像转换成高质量的类似于 CT 的成像，从而在压制伪影的同时保留了解剖细节。

Nov, 2023

本文提出了一种新的损失函数 Wing loss，用于通过卷积神经网络实现面部关键点的鲁棒定位。通过对比 L2、L1 和平滑 L1 等不同的损失函数，并分析这些损失函数，结论是对于基于 CNN 的定位模型训练，应更加关注小和中等范围的错误。针对此问题，提出了一种分段损失函数 Wing loss，并通过姿态数据平衡的策略解决了训练集中具有大偏转的数据不足的问题。最后，将该方法扩展为一种用于鲁棒面部关键点定位的两阶段框架，并在 AFLW 和 300W 上进行了实验验证，结果表明 Wing loss 的优越性以及该方法的超越了现有技术的水平。

Nov, 2017

该研究提出基于边缘增强的密集连接卷积神经网络（EDCNN）用于低剂量 CT 图像去噪，并引入混合损失函数以增强模型去噪效果，取得了较好的效果。

Oct, 2020

利用多尺度小波域残差学习架构结合先前方向性和全局分布性偏差的观察提出的新方法，可以有效消除有限角度下的 CT 图像伪影并保留图像的边缘和全局结构性。

Mar, 2017

我们引入了一种对导管和导丝进行形状敏感的损失函数，并将其应用于视觉转换网络中，在大规模 X 射线图像数据集上取得了最新的研究成果。我们将网络预测和相应的真值转换为有符号距离图，从而使任何网络能够集中精力处理关键的边界而不仅限于整体轮廓。通过计算这些特征向量之间的余弦相似度，我们对图像相似性有了更细致的理解，超越了传统基于重叠度的测量方法的局限。我们的方法具有许多优势，包括尺度和平移不变性，以及对微小差异的较好检测，从而确保图像中医疗仪器的准确定位和描述。全面的定量和定性分析证实了相比现有基准的显著性能提升，展示了我们新的形状敏感损失函数在改善导管和导丝分割方面的潜力。

Nov, 2023

本文提出了一种在内窥镜术中进行单目深度估计的方法，该方法利用几何一致性损失和梯度损失来提高重建效果，并使用合成的 RGB-Depth 数据集来捕捉解剖结构上的反射和照明变化，实验结果表明该方法在实现视频 - CT 配准算法的精度要求时，具有优于现有方法的表现。

Apr, 2023