- BiomedParse：一种针对一切地方一次性进行图像解析的生物医学基础模型
BiomedParse 是一个用于生物医学图像分析的全能工具，通过联合解决分割、检测和识别等主要生物医学图像模态，为高效准确的基于图像的生物医学发现铺平了道路。
- 利用注意力机制进行基于补丁的生物医学图像分类
医学图像分析可以通过一种扎根于自注意机制的创新架构得到促进。传统的卷积神经网络（CNN）在捕捉像素级复杂空间和时间关系时需要帮助，而其卷积窗口的固定大小限制了输入波动。为了克服这些限制，我们提出了基于注意力模型而非卷积的新范式。这些模型作为 - YOLO-MED：生物医学图像的多任务交互网络
本研究提出了一种高效的端到端多任务网络 YOLO-Med，能够同时进行目标检测和语义分割，通过多尺度特征提取和任务特定解码器的结合，以及跨尺度任务交互模块的引入，实现了准确性和速度的平衡，并在 Kvasir-seg 数据集和私有生物医学图像 - nnMamba：使用状态空间模型进行 3D 生物医学图像分割、分类和地标检测
通过将 State Space Sequence Models (SSMs) 整合到卷积残差块中，nnMamba 架构能够提取局部特征并建模复杂的依赖关系，从而在医学图像分析的一系列挑战性任务中展现出卓越的性能。
- 基于基础模型的生物医学图像分割：综述
最近许多生物医学影像分析领域的进展主要受到 Segment Anything Model (SAM) 的推动。这项先进的技术最初是为了通用计算机视觉而开发的，但在医学图像处理领域得到了迅速应用。我们的综述聚焦于 2023 年 4 月 1 日 - ADA-YOLO: YOLOv8 和自适应头部的动态融合用于精确图像检测与诊断
基于注意力机制的医学目标检测方法 ADA-YOLO 在血细胞计数和检测 (BCCD) 数据集上表现出色，相较于 YOLOv8 模型，它在 mAP（平均准确率）上优于后者，并仅使用了三倍以上的空间，适用于资源受限的环境，如移动设备或边缘计算系 - GPT-4V 在生物医学成像中的整体评价
本研究介绍了针对生物医学图像分析的 GPT-4V 的大规模评估，评估了 GPT-4V 在医学成像领域的表现和局限性，包括放射学、肿瘤学、眼科学、病理学等 16 个医学成像类别的任务，结果显示 GPT-4V 在成像模态和解剖定位方面表现出色， - 基于去噪扩散概率模型的视网膜 OCT 合成与层分割
利用深度学习的现代生物医学图像分析经常面临有限的注释数据的挑战，为了克服这个问题，可以使用深度生成模型来合成逼真的生物医学图像。通过提供粗略的层次草图，训练的去噪扩散概率模型（DDPM）可以生成逼真的近视视网膜光学相干断层扫描图像。此外，通 - 评估生物医学和非生物医学环境中合成图像的类内多样性和质量
该研究通过实证评估了多尺度结构相似性指数测量、余弦距离和 Frechet Inception 距离等指标，对生物医学和非生物医学影像进行了多样性和质量评估，发现生物医学与非生物医学影像之间的多样性和质量得分存在显著差异。
- 一种新的 SLCA-UNet 架构用于自动 MRI 脑肿瘤分割
本文提出了一种改进的 UNet 结构，称为 SLCA UNet，它结合了残差密集块、分层注意力和通道注意力模块，以及堆叠卷积。在脑肿瘤分割上，该方法在 BraTS 2020 数据集上表现良好，平均 Dice 系数、灵敏度、特异度和 Haus - 自注意力引导的多尺度梯度 GAN 用于多样化 X 射线图像合成
提出了一种名为 MSG-SAGAN 的多尺度梯度生成式对抗网络结构，用于解决不平衡的生物医学图像数据集生成多样化高质量的 X 光影像。通过使用多尺度渐变和注意力机制来改善生成器和鉴别器模型中生物医学图像特征的长程依赖之间的关系，以减少模式崩 - 大规模细胞电子显微镜自动图像分析：文献综述
本文研究了大规模电子显微镜技术下生物医学图像分析的自动化方法和挑战，并讨论了近五年来在自动化人工智能计算机视觉、深度学习和软件工具方面所取得的进步，探讨了自动化图像获取与分析的整合，以实现毫米级纳米分辨率的高通量分析。
- 医学分割十项全能
本文介绍 “医学分割十项全能赛（MSD）” 的比赛举办及其结论，提出了一种方法，能够在多个任务上表现良好，同时兼顾算法的泛化性能；冠军算法的延续优异表现，验证了这个假设。
- MM图像处理指标的普遍限制：一个图片故事
本研究通过国际图像分析专家团队的 Delphi 过程，指出算法验证中经常存在的性能度量的局限性，无法全面评估自动算法的有效性及透明性，特别是在医学图像分析方面，这一问题尤为突出。
- FANet：一种反馈注意力网络，用于改进生物医学图像分割
在生物医学图像分析领域，我们提出了一种称为反馈关注网络（FANet）的新型架构，利用每个训练时期的信息来修剪随后的预测地图，该网络在不同的卷积层上允许学习特征图的 “硬关注”，通过七个公开的生物医学成像数据集测试，显示出较大的平均分割指标提 - MM透明报告生物医学图像分析挑战
BIAS statement proposes recommendations to standardize the reporting of biomedical image analysis challenges to improve - AAAI一种新的集成学习框架用于三维生物医学图像分割
提出了一种新的集成学习框架，其结合了 2D 和 3D 模型的优点，通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果，实现了在完全监督、半监督和转导设置下，相对于最先进的图像分割方法，取得了优越的性能。
- MM生物医学图像分析竞赛排名需谨慎解读
本文中对已进行的生物医学图像分析挑战进行全面分析，展示了挑战的重要性，并表明缺乏质量控制具有重要影响，因此建议采用最佳实践指南以避免问题，并针对未来需解决的开放性研究问题进行定义。
- 基于深度主动学习框架的生物医学图像分割建议性标注
本文提供一种深度主动学习框架，基于全卷积网络和主动学习结合提供对最有效的标注区域的建议，以显著降低标注时间，测试中仅使用 50% 的训练数据，即可达到最先进的分割性能。