综合临床专业知识和深度学习技术，通过利用扩散模型生成的合成图像和真实图像相结合，文中通过基于 NAFLD 分类的实验表明，综合使用效果明显优于仅使用生成对抗网络（GANs）进行图像增广，达到了 0.904 的最佳图像级别 ROC AUC 性能。

Jul, 2023

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

本文提出了一种自动高效的算法（DI2IN），利用卷积编码器 - 解码器结构和深度监督联合多级特征级联，采用对抗网络进行训练来辅助区分 DI2IN 的输出和真实数据，最终证明本方法在各种扫描协议和人群差异情况下能够取得比现有解决方案更高的肝脏分割精度和计算效率。

Jul, 2017

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

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

使用身体形状及深度神经网络精确估计肝脏脂肪含量，并验证了这种方法的有效性，为无创检测肝脏脂肪提供了一种低成本、可行的解决方案。

May, 2024

该研究提出了一种通过引入辅助的预任务 (视觉生物标志分类) 来将特征学习与下游肺部超声任务分离的方法；通过为预测生物标志标签训练模型，可以学习到一种信息丰富、简洁和可解释的超声视频特征空间。这些特征可以被用于各种下游临床任务的专家模型中，这些任务包括诊断、肺部严重程度以及 S/F 比；与直接针对这些任务进行训练的端到端模型相比，这些任务特定的专家模型具有可比的准确度，同时成本显著降低。

Jun, 2022

利用生成对抗网络（GAN）检测处于训练分布之外的图像，该方法能够在 90% 以上的区分肝脏与非肝脏的情况下识别出分布之外的图像。

Jul, 2023

本研究提出一种基于多视角学习的深度学习方法，利用肝脏的多个子区域来提取更丰富的特征，使用主观逻辑来评估不确定性并应用 Dempster-Shafer 证据理论的明确组合规则来提高预测的准确性，通过在增强 MRI 数据上的评估结果发现，本方法优于现有的多视角学习方法。

Jun, 2023

这篇论文提出了一种 NAFLD 诊断系统（DeepFLDDiag），该系统结合了综合的临床数据集（FLDData）和基于多模态学习的 NAFLD 预测方法（DeepFLD）。该数据集包括超过 6000 名参与者的体格检查、实验室和成像研究、广泛的问卷调查和部分参与者的面部图像，对临床研究具有全面和有价值的意义。从数据集中，我们定量分析并选择对 NAFLD 预测最有贡献的临床元数据。此外，所提出的 DeepFLD 模型使用多模态输入（包括元数据和面部图像）来预测 NAFLD，在性能上优于仅使用元数据的方法。令人鼓舞的是，DeepFLD 可以仅使用面部图像作为输入而不是元数据来实现竞争性的结果，为更强大和简化的非侵入性 NAFLD 诊断铺平了道路。

Jul, 2023