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，自动生成乳腺超声成像中乳腺病变的图像掩膜。该方法通过半监督学习迭代改进伪掩膜，提升分类精度与ROI完整性，简化注释过程，增强乳腺病变的分类和定位效果。

RadiomicsFill是一种基于放射组学特征的合成肿瘤生成器，能够生成多样且逼真的肿瘤，并微调特征。该模型结合生成对抗网络和多任务学习，推动医学成像研究。2023年11月，VinDr-Mammo数据集用于乳腺癌检测，包含5000个乳腺X射线检查图像。此外，研究提出了多模态神经架构搜索方法，以提高软组织肉瘤的预测可靠性。

本文提出了一种可解释的机器学习框架，用于乳腺 X 线摄影，旨在预测病变性质并辅助放射科医生理解决策过程。该框架通过突出分类相关部分，提高了模型的准确性和可解释性，促进了医学 AI 的应用。同时，研究探讨了迁移学习和无监督自学习在乳腺癌筛查中的有效性，显示出优于传统方法的性能。

本文探讨了深度学习和卷积神经网络（CNN）在医学影像中的应用，特别是在乳腺癌检测和解剖结构识别方面。研究通过多任务学习和数据增广提高了模型的准确性和可靠性，并展示了图卷积网络在心脏诊断中的潜力。此外，提出了用于药物毒性评估的异常检测系统，效果优于传统方法。

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。