通过预训练和数据增广，使用卷积神经网络进行医学影像诊断，开发出一种检测人体解剖结构的系统。

Dec, 2015

该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将ImageNet预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

Feb, 2016

本文提出了使用多视角深度卷积神经网络处理高分辨率医学影像的方法，通过在大规模乳腺X线片筛查中测试，结果表明训练集大小和图像大小对准确预测的影响，模型的性能与放射学家委员会相当。

Mar, 2017

本研究旨在解答在医学图像分析的背景下，如何才能让使用具有足够精细调整过的预训练深度CNN能够消除从头开始使用CNN进行训练的需求这一核心问题。在考虑了医学成像应用中的分类，检测和分割等方面时，我们的实验结果一致表明：1）使用经过足够精细调整的预训练CNN显著优于或者和从头开始训练的CNN一样好；2）相比于从头开始训练的CNN，精细调整的CNN更加稳健；3）浅调整和深度调整都不是特定应用的最佳选择；4）我们的逐层精细调整方案可以根据可用数据量为手头的应用程序提供达到最佳性能的实用方法。

Jun, 2017

本文综述了深度学习在医学成像领域的应用，阐述了医学成像的特点、临床需求和技术挑战，描述了深度学习是如何应对这些问题的，其中包括网络结构、稀疏和噪音标签、联邦学习、可解释性、不确定性量化等内容。此外也介绍了常见的数字病理学和胸部、脑部、心血管和腹部成像等几个临床案例，最后展望了未来研究的方向。

Aug, 2020

通过对比自然图像与医学图像，本论文通过大规模评估了不同图像预训练模型在医学图像分析领域的可迁移性，提出了将自然图像模型迁移到医学图像中的实用方法，并发现新的关键性能：针对医学分割任务fine-grained数据预训练模型具有独特的局部特征表示，自我监督的ImageNet模型比有监督的ImageNet更有效地学习整体特征，连续预训练可以缩小自然图像与医学图像领域之间的跨度，有望引导深度学习在医学图像领域的未来研究。

Aug, 2021

通过对多种视觉架构进行基准测试，证明了预训练模型在新兴数据集上的初始化价值，使得这些预训练模型能够适应各种下游神经影像任务，即使目标任务的训练数据有限。

Sep, 2023

通过利用卷积神经网络，提出了一种基于多层多模态融合模型的新型深度学习疾病检测模型，能够从不同层次提取特征并融合它们，在胸部X射线图像的疾病分类中取得了高达97.21%和99.60%的显著准确率，具有准确的疾病分类潜力，并可推广至其他胸部X射线图像中的疾病分类。

Jan, 2024

针对医学影像和机器学习领域的一个主要挑战是如何有效地将预训练模型适应于专门的医学背景。本研究对应用于X光、MRI、组织学、皮肤镜检和内窥镜手术等不同医学影像领域的多种微调方法在预训练模型上的性能进行了全面的分析。结果显示，结合线性探测和全面微调等策略在50%以上的情况下能够明显提高性能，动态调整学习率的自动RGN方法在特定模态下能够提高11%的性能。此外，与传统的全面微调相比，DenseNet结构对替代的微调方法表现出更为显著的优势。本研究不仅为优化医学影像分析中的预训练模型提供了有价值的洞见，而且建议未来研究可以探索更先进的架构和微调方法。

Jun, 2024

该研究解决了预训练深度卷积神经网络在不同医学影像数据集中的应用问题，发现其作为特征提取器表现不佳，尤其是在胸部X光和光学相干断层扫描等不同成像模式下。研究表明，虽然更深的网络架构不一定提高性能，但在特定医疗领域内，模型在不同数据集上的表现存在显著差异，这为深度学习在医学影像中的应用提供了重要见解。

Aug, 2024