- DeNVeR: 非监督视频血管分割的可变形神经血管表示
本文提出了一种无监督的 Deformable Neural Vessel Representations (DeNVeR) 方法，用于 X 射线视频中的血管分割，通过光流和层分离增强分割精度和适应性，并引入了首个高质量手动标记分割地面真实性 - DDA: 基于维度驱动的增强搜索用于腹腔镜手术中的对比学习
通过自监督学习（SSL）在医学影像中实现有效的表征学习，但数据增广的选择是关键且领域特定的，本文通过一种叫做维度驱动增广搜索（DDA）的新方法自动搜索适合于腹腔镜手术的数据增广策略，通过对比学习在局部维度特性上差异化地搜索适合的数据增广策略 - 扩展搜索空间和总变差的层析重建和正则化
这篇论文利用光线投影技术在医学影像中进行图像重建，通过将问题转化为优化任务并利用基于群体的重建方法从高度欠采样的数据中恢复图像。为了减少重建误差，该方法采用了搜索空间扩展和全变差正则化技术，在临床重要的 Shepp-Logan 幻像模型中显 - 具有无需 Softmax 的高效计算医学图像分类的 Transformers 和序列归一化
本文介绍了一种解决 Transformer 模型二次计算复杂度的简单有效方法，并采用序列标准化技术和矩阵乘法重新排序，使得该方法能够在处理更长序列时降低内存和计算复杂度，从而与传统 Transformer 模型具有可比较的性能。
- 决策推理解码：基于反事实的模型在知识发现中的运用
在医学成像中，辨识人工智能模型预测背后的理由对于评估其决策的可靠性至关重要。为了填补这一差距，我们提出了一种具备决策推理和特征识别能力的可解释模型，不仅能够检测有影响力的图像模式，还能揭示驱动模型最终预测的决定性特征。通过实施我们的方法，我 - 医学图像生成的快速去噪扩散概率模型
Fast-DDPM 是一种简单而有效的方法，可同时提高训练速度、采样速度和生成质量，通过仅使用 10 个时间步进行训练和采样，相比 DDPM，Fast-DDPM 能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法，并将训 - 医学影像学中的持续学习：从理论到实践的调查和实际分析
通过综述医学领域中的连续学习研究，本文旨在全面审视近期的文献，突出最新趋势，并指出实际问题，包括分类、分割、检测等任务中的连续学习研究。除了识别挑战并提供应对策略，我们还对医学影像中连续学习的现状进行批判性讨论，包括识别开放问题并勾勒有前景 - 改进可变形图像配准的自适应局部边界条件
该研究介绍了一种新的方法，在医学影像中自适应地调整边界条件，通过在逐像素的基础上进行边界条件的优化，实现了两项不同任务的优化图像配准，分别是单模态 CT 胸部配准和腹部 CT 到 MRI 配准。
- 医学影像软件现状
29 个医学影像项目通过回答 108 个问题评估了 10 个软件质量，并对其中的 8 个开发团队进行了采访。通过定量数据，使用层次分析法（AHP）对医学影像软件进行了排名，其中排名前四的软件产品是 3D Slicer，ImageJ，Fiji - MediCLIP：针对少样本医学图像异常检测的 CLIP 适应性
在医学决策领域，精确的医学成像异常检测在帮助临床医生方面起着关键作用。本文首先侧重于医学图像异常检测在少样本情景下的任务，这对于数据采集和注释都非常昂贵的医学领域至关重要。我们提出了一种创新的方法，MediCLIP，通过自监督微调，将 CL - MR 图像到图像翻译的相似度度量指标
图像到图像的转换在医学影像领域具有巨大影响，本研究介绍了用于图像合成评估的参考和非参考度量标准，并调查了九种需要参考的度量标准（SSIM、MS-SSIM、PSNR、MSE、NMSE、MAE、LPIPS、NMI 和 PCC）以及三种非参考度量 - UnSegGNet: 无监督图神经网络图像分割
利用预训练视觉转换模型提取输入图像的高级特征，然后利用图神经网络和基于模块性的优化准则，无需依赖预先标记的训练数据，从图像中提取和划分有意义的边界，实现了竞争性能，进而对无监督医学图像和计算机视觉领域做出了贡献。
- 基于差异的脑 MRI 病变检测扩散模型
本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑 MRI 中的病变检测，通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。通过在包含脑肿瘤检测的多模态 M - 运用人工智能对 T2 磁共振成像中的腰椎肿瘤进行分割和定位
通过引入一种新的数据增强技术，本研究旨在自动化脊柱肿瘤的分割和定位，利用医学影像中专家绘制的预定义掩模，结合模糊 c 均值聚类和随机森林算法的融合，实现了成功的脊柱肿瘤分割和分类，同时使用 3D 椎体分割和标注技术精确定位了腰椎肿瘤的确切位 - 基于深度学习的点云配准用于增强现实引导下的手术
深度学习在增强现实引导手术中的应用可能性进行了评估，通过使用医学成像和基于 HoloLens 2 的点云数据集来研究深度学习点云对图像到患者注册的效果，并发现在具有挑战性的数据集上传统注册流程仍然优于某些深度学习方法。
- I$^3$Net：医学切片综合的切片间内外插值网络
基于医学成像的高位面和低位面分辨率之间的插值现象，本文提出了一个全面探索高位面分辨率信息并弥补低位面分辨率的 Inter-Intra-slice Interpolation Network（I^3Net），通过在线的跨视图模块利用三个视图的 - AAPM 深度生成模型学习医学图像统计的大挑战报告
2023 AAPM 颁发的关于深度生成建模学习医学图像统计的特别报告指出需要通过分析相关图像统计数据来评估深度生成模型在医学成像中的性能，另外还发现不同的深度生成模型存在类似的人工瑕疵。
- 骨转移分析中的人工智能：当前进展、机遇与挑战
医学影像分析中广泛应用人工智能技术，特别是在骨转移的分析中，机器学习方法取得了有希望的性能，具有显著的潜力提高临床效率，应进一步研究和验证其临床性能并促进其融入常规临床实践。
- 计算机断层扫描图像上的实时多器官分类
在医学影像中，我们提出了一种新方法，通过稀疏采样策略跨广泛视野进行数据选择，实时对多个器官进行分类，从而在不使用加速器的情况下生成全面分割，与现有的分割技术相比，展示了超 ior 优越的运行时潜力。
- 优化通用病变分割：由状态空间模型引导的分级网络与特征重要性调整
通过融合状态空间模型（SSM）和高级分层网络（AHNet），提出了一种针对医学成像中语义分割任务的 Mamba-Ahnet 方法，通过图像分割和特征理解来提高分割的准确性和鲁棒性。通过分解图像为小块并通过自我注意机制来优化特征理解，该方法显