探究利用声学分辨光声显微镜（ARPAM）机器学习方法对结直肠组织进行良恶性分类以提高诊断效率和降低患者痛苦的研究。

Jul, 2023

提出了一种基于深度神经网络的方法，通过对针尖处复杂 OCT 信号的相位和强度数据进行分类，辅助医生在针的插入过程中对组织结构进行识别，并且使用对比预训练技术将同位的数据映射到不同的表示，从而在受限标记数据集的情况下提高分类的精度。在仅使用 10% 的训练集时，使用该技术可以将模型的 F1 分数从 0.60 提高到 0.84。

Apr, 2023

本文提出了一种用于识别可视组织的方法，并通过检测声学阴影和建立知觉显著性的置信度图来分析超声探头与组织之间的接触。 通过现场验证和幻影数据验证了该方法的实际性能，证明了其在临床训练和优化机器人辅助超声组织扫描方面的潜在价值。

Jun, 2023

利用定量测试对新鲜离体猪组织进行了全面表征，评估基于激光的飞行时间传感器（lidar）在解剖表面重建方面的质量，表明与基于学习的立体匹配相比，飞行时间传感展示了更高的精度、更低的处理延迟、更高的帧速率和更强的抗传感器距离和光照不好的稳健性。此外，发现近红外光穿透对 lidar 测量精度的负面影响，肌肉与脂肪和肝脏在深度测量上存在明显差异，研究结果指向结合飞行时间和光谱成像的新方法具有潜力的全程 3D 感知。

Jan, 2024

利用机器学习辨别正常和异常肺部吸气声，采用窗口和特征聚合策略，使用数据进行建模并进行决策融合，得出平均 ROC 曲线下面积为 0.691 的监督模型。

Sep, 2022

通过在全膝关节置换手术中使用一种新的深度学习结构，该研究提出了一种基于 A-mode 超声波的骨追踪方法，实现了在下肢骨位移测量中具有亚毫米级精度的骨追踪，为骨科手术提供了安全、方便和高效的解决方案。

Mar, 2024

本研究旨在通过利用卷积神经网络完成外科手术创面分类的任务，并提出了一种多标签 CNN 集成算法 Deepwound，该算法能够通过图像像素和相应标签，准确地识别手术创面的九种状态，包括引流、纤维性渗出物、肉芽组织、手术部位感染、裸露伤口、钉子、医用绷带和缝线等。同时，本研究还展示了一种基于智能手机的移动应用前端 Deepwound，可以方便地跟踪患者的创面和手术恢复。

Jul, 2018

本文提出一种方法，通过结合来自时频谱图的信号特征和人类感知，以提高声音分类性能，该方法利用人工神经网络 (ANN) 学习基于人类感知知识的信号特征，并应用于包含 24 个月几乎连续记录的大型声学数据集，结果表明性能显著提高。

May, 2013

本文提出了一种可解释化的人机交互框架，用于改进烧伤超声波分类模型，采用基于 LIME 分类解释器的解释系统，结合医学专家的知识和文本纹理特征来提高 B 模式超声波分类器的准确性，并将其应用于真实猪型实验数据，结果表明采用此框架能够将烧伤深度分类的准确性从 88% 提高到 94%。

Oct, 2022

皮肤病变、近红外光谱、机器学习算法、分类和自动辅助诊断是本研究的关键词，旨在利用近红外光谱数据对皮肤病变进行自动分类的机器学习算法进行研究及分析。

Jan, 2024