使用图神经网络可以准确预测腹部内脏脂肪组织和腹部皮下脂肪组织的体积，相较于最先进的卷积神经网络，减少了训练时间和所需资源，也可以应用于廉价且易于获取的医学表面扫描替代昂贵的医学图像。

Jul, 2023

我们引入了一种称为 ShapedNet 的新技术，用于增强身体成分评估。该方法利用深度神经网络来估计体脂百分比（BFP），执行个体识别，并使用一张照片进行定位。通过与黄金标准方法 —— 双能 X 射线吸收法（DXA）进行全面比较，验证了 ShapedNet 的准确性，使用了 1273 名健康成年人的数据，涵盖不同年龄、性别和 BFP 水平。结果表明，在身体脂肪预测方面，ShapedNet 的性能优于 19.5% 的最新计算机视觉方法，平均绝对百分比误差（MAPE）为 4.91%，平均绝对误差（MAE）为 1.42。本研究评估了基于性别和性别中性的方法，后者表现出更好的性能。该方法以 95% 的置信度估计 BFP，误差范围为 4.01% 至 5.81%。通过 ShapedNet，这项研究推进了多任务学习和身体成分评估理论的发展。

Oct, 2023

使用深度学习技术的成熟度和量子技术的应用，我们提出了一个混合量子神经网络和联邦学习方法来解决非酒精性脂肪肝的图像分类问题，并展示了其在医疗应用中的出色性能和潜力。

Nov, 2023

通过使用深度学习框架，本文提出了一种创新的方法来消除分类器的识别弱点，提高其平均性能，特别针对医学图像分类、不同类别之间的平衡、脂肪肝、对抗训练等领域展开研究。

Jun, 2024

利用深度卷积神经网络，以 2.5D 方式对肝脏 CT 图像进行分割，并在 130 个 LiTS 训练数据集上进行训练，在 70 个测试 CT 扫描上取得了平均 Dice 分数 0.67，时隔 ISBI2017 会议后获得了该领域的第一名。

Apr, 2017

提出了一种利用卷积神经网络和基于深度的变体搜索算法与先进的注意机制（CNN-DS-AM）预测肝脏肿瘤的新方法，证明了将注意机制和基于深度的变体搜索算法结合到卷积神经网络模型中是提高肝肿瘤预测的准确性和鲁棒性的有希望的方法，可以协助放射科医生进行诊断和治疗规划，预测肝脏肿瘤的准确率达到了 95.5% 以上，优于其他最先进的方法。

Nov, 2023

本文使用卷积神经网络从计算机断层扫描中分割肝脏及其损伤部位，并通过检测器本地化损伤，提高了分割网络的准确性。

Nov, 2017

本篇研究提出了一种名为 BodyNet 的神经网络，通过直接推断体积棱柿，从而预测自然图像中的三维人体形状，同时结合三维损失和多视角重投影损失以及适当的监督，实现了性能的提升；通过将 SMPL 模型应用于网络输出，并在 SURREAL 和 Unite the People 数据集上展示了最先进的结果，证明了本方法的有效性。

Apr, 2018

研究利用神经网络将患者的 hippocampus 形态和临床生物标记结合，预测从轻度认知障碍到阿尔茨海默病的进展，并且在处理时间数据时采用了常用的生存分析方法。实验表明，该模型的表现优于处理形态数据以及处理临床生物标记数据的模型。

Sep, 2019

本研究采用一种基于深度残余网络 (ResNet) 的肝脏病变分割方法，通过级联 ResNet 架构和多尺度融合生成更精确的边界定义，该方法在 ISBI 2017 肝脏瘤分割挑战中获得第四名。

Apr, 2017