- 基于单幅图像的深度学习用于早期食管癌病变分割
本文提出了一种名为 YOHO 的深度学习方法，它可以仅使用单张病人图像进行训练，避免了隐私泄露和泛化问题，同时通过使用临床专家的知识和几何渲染等技术细节，在提高分割准确度方面取得了显著进展，得分为 0.888。
- 医学图像病变分割的双亲和学习尺度感知超分辨率网络
本文提出了一种自适应分割大小不同的病变的低分辨率医学图像的比例感知超分辨率网络，该网络包含双分支进行病变掩模超分辨率和病变图像超分辨率，同时引入了比例感知扩张卷积块来自适应调整卷积核的感受野以根据损伤的大小进行分割。在多个具有挑战性的病变分 - 基于生成对抗网络的皮损分割
使用对抗学习的算法开发的可自动生成皮肤病变掩膜的 EGAN 算法，可应用于皮肤癌病变的计算机辅助诊断，其精度比当前最先进的基于皮损分割的方法高出 2% 的 Dice 系数，1% 的 Jaccard 相似度，和 1% 的准确度。
- 基于深度学习框架的眼 Toxoplasmosis 自动诊断基准测试：分类和分割的综合方法
本研究创建了基准研究，评估使用迁移学习技术的预训练网络检测眼底图像中 OT 感染的有效性，并分析了基于迁移学习的分割网络在图像中分割病变的性能，旨在为未来的研究人员提供指导，开发一种便宜、自动化、易于使用和准确的诊断方法。MobileNet - FAN-Net: 基于 Fourier 的自适应标准化方法用于跨领域中风病变分割
本研究提出了一种新的基于深度学习的颅脑疾病 MR 图像卒中病变分割算法 --FAN-Net，该方法通过自适应地调整傅里叶变换的低频幅度分量来改变风格信息，从而增强了模型对不同领域的鲁棒性。实验结果表明 FAN-Net 的性能优于基准方法。
- 空间协变病变分割
本文提出了一种空间协变像素对齐分类器 (SCP)，以提高计算效率和同时保持或提高对病变分割的准确性。使用 SCP 的神经网络在白质高信号灶分割和肝脏肿瘤分割两个任务中实现了 GPU 内存使用量、FLOPs 和网络大小分别减少 23.8%、6 - 通过 CycleGAN 将超声图像转换为伪解剖展示
通过利用神经网络的 CycleGAN 方法，从医学超声图像数据中生成伪解剖图像，提高图像质量以更好地表现病变区域，其中生成伪解剖图像在病变分割中的对比度和区分度较高，可潜在地简化诊断流程并改善临床结果。
- 基于注意力机制的卷积神经网络在 FLAIR 图像中的多发性硬化症病变分割
使用 FLAIR 影像的卷积神经网络来自动分割多发性硬化症的病变，该方法在测试中表现显著优于其他现有的方法。
- ICCVT-AutoML：使用 3D 医学影像变换器进行病变分割的自动化机器学习
本文提出了一种新的自动化机器学习算法 T-AutoML，它不仅可以搜索最佳神经结构，而且可以同时找到最佳超参数和数据增强策略。该方法利用现代 transformer 模型适应搜索空间嵌入的动态长度并在多个大规模公共病变分割数据集上达到了最先 - 基于深度学习的眼底图像应用综述
该综述论文介绍了 143 篇深度学习在眼底图像方面的应用研究以及 33 个公开数据集，并对每个任务进行了总结和分析，并揭示了所有任务的共同局限性并提出了可能的解决方案。
- CT 肺部扫描中 COVID-19 病灶的无标记分割
该研究提出一种基于异常建模的分割 COVID-19 病灶的无标注方法，通过合成病灶并将其插入正常肺部 CT 扫描中形成训练数据，生成一种名为 NormNet 的网络来将异常 CT 扫描还原为正常状态，实验证明该方法在三个不同的数据集上均表现 - 学习分割视网膜病变及其他
本文提出了一种名为 “Lesion-Net” 的新型全卷积网络，通过像素级视网膜病变分割和图像级疾病分类相结合，解决了糖尿病性视网膜病变分级的三大挑战，即缺乏客观边界的病变、病变的临床重要性与其大小无关，以及病变和疾病类别之间缺乏一对一的对 - DR-GAN：糖尿病视网膜病变图像精细病变合成的条件生成对抗网络
本文提出了一种通过生成对抗网络合成高质量的视网膜图像，以更有效地增加数据规模用于训练糖尿病性视网膜病变严重程度和病变分割模型的方法，并在多个数据集上进行了验证。
- 深度主动损伤分割
本文提出了一种基于 Convolutional Neural Networks 和 Active Contour Models 的 Deep Active Lesion Segmentation (DALS) 框架用于器官病变分割，该框架在 - 通过规范化显著性图以降低过拟合的 GradMask 算法
为了解决在医学成像中的过拟合问题，本文提出了一种名为 GradMask 的正则化方法，通过对错误的特征与目标类之间的关联进行惩罚，防止非瘤相关特征对不健康样本的分类产生贡献，并取得了 1-3% 的精度提升。
- 使用分割置信度卷积神经网络自动检测多发性硬化症病变负荷变化
针对多发性硬化症患者康复过程中的病变检测，本文提出了一种新的自动化分割算法，通过识别病变变化的高确定性来较好地分离稳定型和进展型患者，高于常用的体积变化方法。在个体患者方面，变化的衡量不足以确立无病情进展，直接检测非病变到病变的组织变化是一 - 2018 年皮肤病变分析挑战赛：面向黑色素瘤检测的国际皮肤成像协作举办的挑战活动
本研究总结了由国际皮肤成像协作组织（ISIC）主办的全球最大的皮肤图像分析挑战赛的结果，旨在建立皮肤图像智能分析的新标准，实验表明，当前前沿的皮肤图像智能分析仍存在诊断错误率较高的问题以及算法能力泛化差异问题，这对于卫生保健领域中的机器学习 - 一种应用于皮肤镜图像的皮损检测与分割架构
报告总结了我们在 ISIC 2018 任务 1 中，针对黑色素瘤检测领域的皮肤损伤分析进行病变分割的方法和验证结果。我们提出了一种优化训练方法和集成后处理的二阶段病变分割方法，取得了在病变分割方面的最新成果，赢得了 ISIC 2018 任务 - 多尺度卷积堆叠聚合用于鲁棒性白质高信号区域分割
使用多尺度聚合模型来处理大小可变的白质高信号区域 / 损伤的分割任务，在多个数据集上的表现均优于现有的方法。
- 用于乳腺 X 光照片分类的多尺度卷积神经网络和课程学习策略
利用课程学习策略训练的多尺度卷积神经网络，在乳腺 X 线摄影术中，通过分割病变区域、全局判定等方法，高度准确地分类了乳腺 X 线摄影术图像，实现了对乳腺癌的早期检测。