本研究开发了一种对深度学习模型进行增广的对比学习方案，通过多样性图片样式训练深度学习网络，可以提高深度学习模型的泛化能力，改进了乳腺摄影病变检测性能，胜过了许多先进的泛化方法。

Nov, 2021

本研究探讨了基于强数据扩充的无监督自我学习技术在人工智能应用中的重要作用，以乳腺癌检测为例，通过实验验证表明使用该技术可以大幅提高数据利用率，而且更容易迁移到其他数据集，是医学图像人工智能领域迈向无监督学习和去掉传统稀缺标签的重要突破。

Mar, 2022

研究使用多视角视觉Transformer构建计算机辅助诊断方案，在不需要繁琐的预处理步骤的情况下，基于四张乳腺X线照片的Transformer模型达到了81.8%的诊断准确率，优于当前多视角CNN的诊断准确率。

Jun, 2022

通过对来自多家厂商的乳房X线照片进行无监督自学习并使用对比学习的方法，提高深度学习模型对于不同风格的图片的概括能力。实验结果表明，该方法在两个公开数据集上均显著优于诸多目前最先进的预测方法。

Apr, 2023

本研究通过引入自监督预训练框架，提出了一种全新的端到端Cross-Shaped windows (CSwin) transformer UNet模型，用于检测临床重要的前列腺癌症，通过在大量未标记的数据上进行学习，提高数据效率和网络的泛化能力，成功地提高了模型性能。

Apr, 2023

本文研究了乳腺密度分布对深度学习模型在乳腺X光照片中的泛化性能的影响，并使用VinDr-Mammo数据集探索了域自适应技术，特别是噪声潜在可转移性探索（NLTE）框架下的域自适应目标检测（DAOD）来改善模型性能。结果显示，DAOD和所提出的增强框架可以提高深度学习模型的泛化性能，特别是在乳腺密度分布的情况下，这对乳腺X光照片具有重要意义。

Jun, 2023

深度学习在医学影像中取得了显著的性能，但主要关注有监督学习。为了解决这些问题，已经开发了无监督领域自适应技术，用于从一个有标签的领域转移知识到一个相关但无标签的领域。本文从技术角度对医学影像中最新的深度无监督领域自适应方法进行了综述，并将其分类为六组，进一步根据所执行的不同任务进行了精细的子分类。还讨论了用于评估不同领域之间差异的研究中使用的相应数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了这项调查。

Jul, 2023

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

本研究针对多场所前列腺病变检测中的无监督领域适应（UDA）方法进行了探索，尤其是针对不同b值下的扩散加权影像（DWI）。提出了一种新的统一生成模型，能够有效提高监督学习模型的检测性能，实验结果显示，与传统方法相比，UDA显著改善了病变检测的准确性，特别是在图像采集条件不理想的情况下。

Aug, 2024

本研究针对乳腺癌诊断领域中注释获取困难和训练集与真实场景之间显著分布差异的问题，提出了BTMuda框架。该框架通过构建三分支混合特征提取器及双层多源无监督领域适应方法，从两个层面解决领域偏移问题，并通过大量实验表明其在三个公共乳腺摄影数据集上超越了现有的最先进方法。

Aug, 2024