本研究提出了一种名为SAMIRA的对话式AI代理，通过语音互动帮助用户在虚拟现实中定位、分割和可视化3D医疗图像，旨在提升医疗图像分割的效率与准确性。

本研究分析了医疗图像AI模型在不同患者特征下的预测不确定性与公平性，量化了模型在皮肤病变分类中的表现，并提出了新的公正性度量，以增强临床AI的信任度与公平性。

本研究提出开放医学成像基准（OpenMIBOOD），旨在解决医疗图像处理中分布外检测方法缺乏标准评估的问题。该框架包含三个基准和14个数据集，以促进OOD检测方法的发展与比较。研究表明，传统自然图像的OOD基准不适用于医疗领域，因此亟需专门的评估基准。

本研究提出了一种基于YOLOv9和视觉变换器的自动化碎片计数方法，旨在解决数字病理中医疗图像质量控制的人工计数问题。该系统的准确率达到86%，有望在病理工作流程中得到应用。

本研究提出了FednnU-Net，旨在解决医疗图像分割中的数据隐私问题。通过引入联邦指纹提取和非对称联邦平均，验证了其在多个数据集上的一致性表现，并公开源代码以促进研究。

本研究提出了MedVAE，一种高效的医疗图像自动解读技术，采用大型自编码器和两阶段训练方法。通过对1052730幅医疗图像的训练，MedVAE显著提高了计算效率，达到了70倍的吞吐量提升。

本研究提出了一种新型内存高效的生成对抗网络（GAN）架构，旨在解决医疗图像生成中的内存不足和计算速度慢的问题。通过引入条件随机场（CRF），该架构在图像真实感和内存使用效率上优于现有HA-GAN模型，显著提升了3D医疗图像的生成质量和训练速度，具有更大的临床应用潜力。

本研究提出了一种高效的医疗图像分类方法，利用预训练模型生成图像嵌入，并应用简单的线性分类器，显著提高分类性能，最大提升达到87%。该方法减少了计算资源需求，为医疗影像分析提供了更优方案。

本研究提出了一种新模型TAFM-Net，结合自适应变换器注意力和聚焦调制，旨在解决皮肤病变分割中的异质性问题。研究结果表明，TAFM-Net在多个数据集上表现优异，显示了其在医疗图像分析中的应用潜力。

本研究提出了一种新型深度学习医疗图像标注系统，结合卷积神经网络和双向门控递归单元网络，以提高子宫超声图像解读的准确性，辅助医疗专业人士进行及时诊断。

本研究针对现有医疗图像质量评估方法的不足，优化了HaarPSI参数设置。实验结果表明，医疗图像对参数选择敏感，提出的HaarPSI$_{MED}$配置有效提升了评估性能，强调了调整IQA方法以适应医疗图像的重要性。

本文探讨了如何通过基于类的变分自编码器（VAE）和潜在空间插值的合成数据增强策略，在小型和不平衡医疗图像数据集中提高图像分类的准确性。该方法使欠代表性类别的准确度提高超过18%，整体准确度和精确度分别提升6%。

本文提出了一种基于动量梯度下降的非线性潜在张量因子分解模型（MNNL），旨在从高维不完整张量中提取非负潜在因子，以提高预测准确性和收敛速度。实验结果表明，该模型在交通数据恢复和医疗图像数据集上表现显著，展示了其在智能交通和医疗领域的应用潜力。

本文探讨了提高深度学习模型领域泛化能力的方法，包括模拟-分析-减少学习范式、基于因果关系的数据增强和卷积神经网络的特征增强。这些方法在不同数据集上显著提升了泛化性能，尤其在医疗图像和跨域任务中表现优异。

本文介绍了一种无监督域自适应（UDA）方法，旨在将深度神经网络从合成数据适应到真实数据，采用对抗模块和自训练策略以对齐数据分布。研究表明，该方法在城市场景的语义分割中有效且稳健，并探讨了其在自然资源遥感图像分割和医疗图像分析中的应用，强调了当前方法的不足及未来研究方向。

本研究提出了一种新的半监督学习方法InterLUDE，通过嵌入融合和新损失函数提升图像分类性能。在STL-10数据集上，InterLUDE的错误率为3.2%，显著优于14.9%的最佳先前方法。该方法在医疗图像分类等多个场景中表现出色。

本研究使用Segment Anything Model在医疗图像上进行了零-shot分割实验，发现其在一般领域表现出色，但在医疗图像中存在局限性。微调可以改进模型性能，展示了通用视觉基础模型在医学领域的潜力。