- GenMix：结合生成与混合数据增强的医学影像分类
本研究提出了名为 GenMix 的新型数据增强技术，它结合了生成和混合方法以发挥两种方法的优势。通过在合成图像和真实数据之间进行混合，GenMix 改善了合成数据的质量和多样性，同时也提升了生成模型的新模式学习和混合模型的边界增强能力。验证 - 理解应用 DETR 于自然图像与医学图像的差异
医学影像数据中的对象检测性能通常不会因为常见的自然图像领域的设计选择而改善，甚至有时会降低，因此适应医学影像数据的变压器模型需要重新评估标准做法，从而可能导致更有效和专门用于医学诊断的框架。
- 使用稳定扩散模型合成类型 - B 主动脉夹层的 CTA 图像数据
利用稳定扩散模型基于用户定义的文本提示微调，仅通过有限数量的 CTA 图像作为输入，探索生成合成心脏 CTA 图像的可能性，并通过定量分析和定性评估进行了综合评估，结果表明使用 Text to Image (T2I) 稳定扩散模型调优后能够 - 面向医学影像的通用无监督异常检测
通过引入一种新颖的无监督方法 RA，可自动生成逼真的健康影像重构，从而识别更广泛的病理性异常，超过现有先进方法在多种影像模态中的表现，提高医学影像的诊断准确性。
- MoCo-Transfer: 探索有限数据领域的非分布式对比学习
通过分析在有限数据集中传递自我监督对比表示与从 ImageNet 迁移的益处，研究发现对不同身体部位进行自我对比训练在相关领域比使用 ImageNet 预训练权重效果更好，并提供了一种初步量化数据集相似性的方法。
- 医学图像分类的序列学习应用
我们开发了一个神经网络训练框架，用于不断训练少量的医学影像数据，并创建了在缺乏验证或测试集的情况下评估训练的启发式方法。
- 去除语义冗余训练数据对胸部 X 光分类模型性能的影响研究
基于熵的样本评分方法用于识别和移除语义冗余训练数据，研究结果表明，在医学影像数据中，对有信息量的训练数据进行训练可显著优于使用全部可用训练数据的传统方法。
- 影像技术一致化 (HAIL)：脑部磁共振成像的单次学习
我们提出了一种基于神经风格迁移的一次学习方法，用于医学影像的谐调化，以防止医学成像中的幻觉，并有效地保护患者的解剖结构。我们的方法可以应用于新的临床场景和临床试验中的未见数据，成为现实世界医学应用的宝贵工具。
- 探究医学图像合成中 3D 潜在扩散模型中的数据记忆
研究了生成潜在扩散模型在医疗成像数据生成方面的应用，评估了其对敏感病人培训数据的记忆能力并提出了缓解记忆的策略。
- RoentGen: 胸部 X 光图像生成的视觉语言基础模型
本研究提出了一种策略来克服大规模自然 - 医学分布偏移，并使用预先训练的潜在扩散模型在公开可用的胸部 X 射线（CXR）及其对应的放射学（文本）报告语料库上进行调整，评估了生成的高保真 CXR 的图像质量和文本 - 图像对齐的能力，并观察到 - 基于学习的放射组学预测二型糖尿病在图像衍生表型的应用
利用影像学数据，神经网络和决策树模型可用于预测 2 型糖尿病发病率及输出类似于血红蛋白 A1C 实验室测量的可解释值，并演示输入向量小扰动对系统的灵敏度可用于预测先前未见的病人群体。
- 变分推断量化解剖结构分割中的观察者差异
通过提出一种新的变分推断框架来考虑多读者不确定性，该方法利用一个潜在向量来编码多读者的变异性以及对影像数据固有信息损失进行对抗，通过优化其证据下界有效地近似分割地图的分布。实验结果表明了该方法的有效性。
- 临床环境中领域泛化的经验框架
本研究基于多中心临床时间序列和医学影像数据，评估了 8 种领域泛化方法在现实世界医学成像数据上的性能，并对真实性产生的领域偏差和采样偏差而进行模拟压力测试，发现当前领域泛化方法在现实世界医学成像数据上的表现并不总是能够显著提升。然而，在临床 - 自监督式脑部 CT 扫描中的异常外检测
本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。
- CVPR增量式多分辨率矩阵分解算法
本研究研究了多分辨率分析和矩阵分解之间的关系，提出了一种增量多分辨率矩阵分解算法，用于发现对于许多视觉问题的成功非常重要的对称矩阵的分层块结构，实验证明该算法可以用于改进网络架构以及其他视觉问题。