通过使用深度学习和先进的分割技术，该研究旨在提高计算机辅助诊断系统在乳腺癌乳房病变分割中的性能。

本研究提出了一种无监督领域适应方法，用于自动生成乳腺超声成像中乳腺病变感兴趣区域（ROIs）的图像掩膜。该方法通过迭代改进生成私人未标记乳腺超声数据集的伪掩膜，提高了分类模型的解释性和诊断的效果和可靠性。

本研究使用放射组学特征探索生成合成肿瘤图像的可行性，通过RadiomicsFill-Mammo技术生成模拟的乳腺肿块图像，显著改进了肿块检测能力，为治疗规划和肿瘤模拟开辟了新的研究方向。

数字乳房X线摄影是乳腺癌检测的关键，深度学习为乳房X线分析提供了有前途的工具。本文提出了一种新的多尺度可解释深度学习模型，用于乳房X线摄影的肿块边缘分类。该模型与放射科医生的实践相吻合，提供了一个通用架构。

本研究使用改进的DenseNet架构，研究了卷积神经网络在放射学诊断中的性能，重点关注可解释性、有效性和伦理问题，并验证了其在特异性、敏感性和准确性方面的出色表现。同时指出了连续模型改进、团队合作和伦理考虑的需求。

通过将卷积神经网络（CNN）和可解释人工智能（XAI）相结合的综合框架，该研究在使用 CBIS-DDSM 数据集进行增强的乳腺癌诊断方面进行了介绍。研究结果显示，CNN 和 XAI 的有效合作有助于推进乳腺癌的诊断方法，从而在临床设置中更无缝地集成先进的人工智能技术，并通过提高 AI 决策的可解释性，为医学专业人员和患者提供更好的协作。

我们提出了一种新颖的自动化方法，利用注意力引导降噪扩散异常检测来评估乳腺整形手术后的乳房美容效果。该方法不需要手动注释，提供客观评估，并在准确性上表现出色。对乳房整形美容领域的超监督异常检测具有重要意义。

使用特权信息学习技术以解决医疗数据可用性和可访问性的问题，通过在训练过程中获取特权信息知识改善数字乳腺 X 光照片上肿瘤分割的质量，实验证明该方法在大多数情况下表现更好，F1 评分比基线模型高出 10%。

本文介绍了一种改善乳腺癌治疗中肿瘤定位的学习策略，适用于乳腺磁共振图像注册。该策略克服了乳腺图像中纹理信息不足和变形需要满足微分同胚约束的困难，并提供了早期实验结果。注册网络在乳腺图像的注册中表现出优越的结果，并提供了微分同胚保证。

该研究介绍了一种名为注意力引导擦除（AGE）的新型数据增强技术，用于改善乳腺 X 线摄影图像的分类。AGE通过擦除背景区域，只显示出密集乳腺组织区域，提高了分类性能。实验证明，采用AGE可以显著优于没有AGE和带有随机擦除的情况，平均F1分数为0.5910。

该研究提出了一种新型的无监督特征相关网络模型，用于预测乳腺异常变异。该模型通过重建乳房 X 射线照片并分析差异，识别可能表明癌症存在的异常变异。在准确性、灵敏度、特异度、Dice 得分和癌症检测率方面，该模型优于基准模型。

通过使用变分自编码器进行单类分类，本研究提出了一种学习解释性深度宫颈细胞表示的方法，以实现宫颈细胞异常的评分和定位，结果表明该方法能够在不使用异常样本进行模型训练的情况下，实现异常细胞的区分和解释。

该文介绍了一种智能机器人超声检查师，它能够自主学习并理解超声检查的语言。通过估计互信息和开发高斯分布滤波器，该机器人能够提高模型的泛化能力。实验结果表明，该方法在血管和动物器官模型中表现出稳健性。