- Boundary-RL: TRUS 图像中弱监督前列腺分割的增强学习
我们提出了一种新颖的弱监督分割方法 Boundary-RL，该方法只利用补丁级别的标签进行训练。我们将分割视为边界检测问题，而不是像之前的工作那样像素级别的分类。我们的方法通过使用基于预训练边界存在分类器的奖励来训练一个控制器函数，从而定位 - 噪声医学图像上用于 SAM 的假阴性 / 假阳性控制
提出了一种改进的测试阶段提示增强技术，可提高在医学图像分割中使用稀疏手动提示的 Segment Anything Model 的性能和鲁棒性。此外，提出了一种只使用单个 2D 切片的边界框注释即可实现 3D 像素级分割的 Single-Sl - 超声置信图能否预测超声医师标注的变异性？
通过引入超声波图像不确定性，并将其作为额外信息提供给神经网络，本研究改善了深度学习的超声波断层分割解决方案，提高了 Dice 分数，改善了 Hausdorff 和平均表面距离，并减少了孤立像素预测的数量。
- CEmb-SAM：具有条件嵌入的分段任意模型用于异构数据的联合学习
自动超声图像分割通过学习来自异构数据集的条件嵌入，将其合并为一个数据集，并训练单个分割模型来实现在医学图像分割任务中从异构数据集中学习的有效性。
- LOTUS：学习优化基于任务的超声图像表示
通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。
- 无监督可变形图像配准用于超声图像呼吸运动补偿
本文提出了一种基于深度学习的新型超声图像变形配准模型及一种无监督的训练方法，该模型使用循环全对场变换和空间变换网络来在在线速率下（约 30 Hz）生成位移场并精确地跟踪像素移动，采用该方法来在活体猪肺视频中跟踪像素，演示了呼吸运动补偿策略， - 无监督可变形超声图像配准及其在血管分割中的应用
本文介绍了一种基于深度学习的模型进行医学超声图像的可变形配准，同时能够生成合成图像用于训练血管分割模型，而无需额外的手动标注。模型通过不同的损失函数进行训练，能够将生成的合成超声图像与真实图像的结构相似性指数（SSIM）分别达到 98% 和 - 使用扩散概率模型进行深超声波降噪
本研究提出了一种基于 DDPM 的无监督去噪方法，可改善超声图像的质量并保留散斑纹理特征，在泛化对比噪声比和噪声峰值信噪比方面优于以往方法。
- 反复斟酌：基于特征反馈的临床启发型甲状腺超声病变检测
本研究提出了一种基于特征反馈机制的新型检测网络，该机制首先粗略观察整体图像，然后专注于感兴趣的细节，并具有反馈特征选择模块和特征反馈金字塔两个部分来提高功能提取以及自适应融合多种特征
- 人体软组织信息处理
本研究发现人类柔软的生物组织可以作为一种物理谐振器的类型，在模拟非线性动力学系统时具有积极作用，这表明人类柔软的组织可以被用作一种潜在的计算资源。
- CVPR超越人类准确率：采用课程学习从 USG 影像中检测胆囊癌
本文研究了基于 CNN 的模型在超声（USG）图像中用于胆囊癌（GBC）检测的潜力和挑战。我们提出了 GBCNet 来解决图像质量、噪声和纹理等问题，该模型在 GBC 分类任务中的表现明显优于 SOTA CNN 模型和专业放射科医生，并且还 - ICLR利用 DICOM 元数据的弱监督上下文编码器在超声成像中的应用
使用 DICOM 元数据来帮助学习超声图像的表示，相较于非元数据方法在不同的下游任务上表现更好，解决了在低资源环境下获取高保真数据的难题。
- 利用弃权机制的机器学习自动肝病诊断
本文提出了一种基于机器学习的解决方案，可以自动检测肝功能异常，使用超声图像进行检测，能够识别预测不准确的情况，成果被 MINAR 数据集检测，证明这种检测方式有良好的分类性能。
- AAAI基于细粒度循环神经网络的超声影像前列腺自动分割
本文提出了一种基于 RNN 的框架，旨在解决超声图像前列腺分割中边界缺失问题。该框架可以实现特征提取与形态先验探索的无缝集成，并通过顺序方式预测整个边界。经过大量验证，该框架在前列腺边界描绘方面表现最佳，可应用于其他医学图像分割任务。