本研究利用DeepLabv3+模型对糖尿病视网膜病变进行高级分割，达成99%的分割准确率，验证了创新策略在医学图像分析中的有效性。

本研究提出了一种新颖的3D变换器WaveFormer，旨在解决现有3D变换器在医学图像分析中的内存消耗大和细粒度特征捕捉不足的问题。WaveFormer利用离散小波变换（DWT）保留全局上下文和高频细节，显著降低参数数量和计算复杂度，并在多个数据集上表现出与最新技术相当的性能。

本研究提出了一种名为SeLIP的对比学习框架，旨在解决医学图像分析中的标注数据不足问题。通过结合图像和放射学发现，增强了对比学习。实验结果表明，该模型在图像-文本检索、分类和图像分割等任务中表现优异，强调了文本相似性在医学图像基础模型构建中的重要性。

干燥综合征是一种常见的自身免疫性疾病，主要症状包括口干和眼干，影响约500万人。华中科技大学研究团队提出的M2CF-Net模型，利用计算机视觉技术提高了病理图像中淋巴细胞聚集灶的识别精度，促进了快速准确的诊断，推动了医学图像分析的发展。

本文提出了新框架Med-MICN，旨在解决医学图像分析中的可解释性问题，提供高预测准确性和多维可解释性，从而提升医学图像分类的应用性和可靠性。

本研究提出Mamba架构，解决医学图像分析中传统深度学习的局限。Mamba通过线性时间复杂度处理数据，提高推理速度和内存效率，在多模态数据融合中表现出色，有望提升诊断准确性。文章详细探讨了Mamba在医学成像中的潜力及未来发展方向。

该研究探讨了自我解释人工智能（S-XAI）在医学图像分析中的应用，强调其在高风险决策中的重要性。S-XAI通过在深度学习模型中嵌入可解释性，提升AI系统的可信度。文章综述了200多篇论文，分析了不同成像模式和临床应用的现状及未来方向。

本文综述了医学图像分析在医学和医疗中的重要性以及深度学习对其发展的贡献。重点介绍了领域泛化研究的数据级、特征级、模型级和分析级方法，并分析了各种方法的优缺点和未来研究机会。

Yucca是一种医学图像分析的AI框架，具备灵活性、模块化和用户友好性，为多项任务提供了最先进的结果。

本文介绍了基于AI的医学图像分析框架ExAID，用于皮肤病例中的良恶性问题。该框架提供易于理解的文本解释和可视化地图来验证预测结果，并可用于临床工作流程、教育模式和医学研究。通过评估发现，多模方式的解释对CAD辅助方案很有用。该应用可在其他生物医学成像领域中使用。

研究人员提出了一种名为MAMMI的新型医学神经元概念标注方法，通过视觉和语言模型注释神经元概念，展示了其在医学图像分析中的有效性。

eCLIP是CLIP模型的增强版本，通过整合放射科医师眼动热图的专家注释，提高了多模式医学图像分析的学习效果。eCLIP在多个任务的评估中展示了嵌入质量的持续改进，并证实了其在医学图像领域的多模态分析能力。

我们提出了一个联邦主动学习（FedAL）框架，通过周期性和交互式地执行主动学习来减少标注数据量、保护患者隐私，并保持联邦学习的性能。在真实的皮肤镜数据集上验证了我们的框架，在只使用50％的样本的情况下，取得了与全数据联邦学习相媲美的性能。

该研究提出了一种基于伪3D转换的跨维度自监督学习框架（CDSSL-P3D），可以利用2D和3D数据进行联合预训练，实现3D医学图像分析的自监督学习。实验结果表明，CDSSL-P3D在13个下游任务上表现出色，优于其他自监督学习方法。

通过结合MBConv3和改进的全局MHSA机制，设计了M2ANET模型，用于高效分类疟原虫。M2ANET在准确性和效率方面优于其他轻量级和移动网络，适用于资源有限的医疗保健环境。M2ANET的开发对医学图像分析和全球医疗保健倡议有广泛影响。

本研究提出了稳定学习策略解决医学图像分析中的领域转移问题，特别是无监督域自适应。实验证明了该策略的有效性，并将发布相关代码。

eCLIP是CLIP模型的增强版本，通过整合放射科医师眼动热图的专家注释，解决对比性多模式医学图像分析中的关键挑战。它通过整合热图处理器和利用稀缺的专家注释的mixup数据增强，提高模型的学习效果。eCLIP展示了嵌入质量的持续改进，揭示了增强的对齐性和一致性，证实了eCLIP在医学图像领域利用高质量注释进行丰富的多模态分析能力。