丑小鸭还是天鹅：一种分层四重网络结构及病人个体特征挖掘用于改进皮肤病变分类
原文中文，约800字，阅读约需2分钟。发表于：。通过深层度量学习网络 DMT-Quadruplet，实现对皮肤病变的分类和诊断，该方法在分类 “丑小鸭症”（可能为恶性黑色素瘤）上表现出优越性能，通过患者特异性四元组挖掘和层次四元组网络，实现了全局和局部上下文信息的学习。
本研究提出了一种新模型，称为多维统一的Swin Transformer (MDU-ST)，用于3D病灶分割。该模型通过自我监督的先验任务利用大量未标记的3D病灶体积来学习Swing-transformer编码器中病灶解剖学的潜在模式，并在同一编码器中学习相应的语义信息。该方法可用于进行自动化的3D病灶分割以辅助放射组学和肿瘤生长建模研究。该网络的性能通过Dice相似系数(DSC)和Hausdorff距离(HD)在一个内部的3D病灶数据集上进行评估，其中包含来自多个解剖位置的593个病灶。
