本研究旨在开发一种算法，可以识别和描绘乳腺超声和乳腺X线摄影图像中的肿瘤区域；该技术利用U-Net和pretrained SAM等两种先进的深度学习架构进行肿瘤分割，在不同类型的肿瘤中，U-Net模型在精确定位和分割肿瘤区域方面表现优异。

Jun, 2023

通过使用卷积神经网络和波及注意力机制，结合音速微运动成像（VSI）技术，研究人员提出了一种名为Wavelet_Attention_UNet（WATUNet）的新型分割模型，该模型在乳腺癌诊断方面具有突出表现，在两个数据集上的Dice系数和F1得分均超过了其他深度网络的表现。

Nov, 2023

在医学图像分割中，通过探索U-Net中skip连接的潜在弱点，我们提出了UDTransNet框架，使用Dual Attention Transformer (DAT)和Decoder-guided Recalibration Attention (DRA)模块来解决编码器和解码器之间的语义差距，从而提高医学图像的分割效果。

Dec, 2023

通过整合卷积和Transformer的优点，提出了一种名为BRAU-Net++的混合CNN-Transformer网络，用于精确的医学图像分割任务。该网络通过使用双层路由注意力作为核心构建块来设计层次化编码器-解码器结构，以学习全局语义信息并降低计算复杂性。通过在跳跃连接中结合通道-空间注意力，最小化局部空间信息损失并放大多尺度特征的全局维度交互。在三个公共基准数据集上进行广泛实验，表明我们提出的方法在几乎所有评估指标上超过了包括其基准：BRAU-Net在内的其他最先进方法。

Jan, 2024

UGGNet是一种结合了U-Net和VGG架构的新型模型，用于增强乳腺超声图像分析的性能，提供准确的乳腺超声图像诊断的综合解决方案。

Jan, 2024

通过提出一种新的结构感知网络和平滑度项，以更好地利用组织解剖学信息并生成更准确的语义边界，对乳腺超声图像进行分割，从而显著改善了肌肉、乳腺和肿瘤类别的分割结果，并产生更准确的组织边界细节。

Mar, 2024

本研究提出了多注意力增强的深度学习框架，用于从超声图像中进行乳腺癌肿瘤的分类和分割，实验结果显示其在分割和分类任务上取得了优异的性能。

Jul, 2024

本研究针对现有Segment Anything Model（SAM）在超声医学图像分割中的性能不足，提出了一种新的改进方案。通过结合冷冻卷积神经网络和新颖的变分注意力融合模块，我们增强了模型的局部空间信息捕捉能力，并利用ChatGPT生成文本提示优化分割精度，显著提升了超声医学图像分割的效果。

Jul, 2024

本研究解决了乳腺超声图像分割中由于超声伪影和噪声导致的挑战性问题。提出了一种基于U-Net的神经网络（CResU-Net），通过结合其他深度神经网络来改进编码器和解码器部分，显著提高了分割精度。最终结果显示，该网络在BUSI数据集上实现了优于现有深度学习方法的表现，为早期疾病诊断提供了有效工具。

Sep, 2024

本研究解决了胰腺内镜超声图像中病变精确分割的挑战，克服了由于图像不足导致的诊断困难。提出的跨器官肿瘤分割网络（COTS-Nets）通过利用边界损失和一致性损失，从不同器官中获取域不变知识，显著提高了胰腺癌的诊断准确性，并开发了包含501幅病理确认的EUS图像的数据集以支持模型开发。

Sep, 2024