本研究提出了一种自我训练管道，以解决通用病变检测和标记中的数据标注不足和类不平衡问题。通过有限的标注数据进行模型训练，并引入新识别的病变，采用变阈值策略显著提高了病变类别的灵敏度和整体分类表现。

该研究提出了一种基于深度学习的糖尿病视网膜病变（DR）分析算法，结合卷积神经网络（CNN）和自监督学习，显著提高了病变检测和分类的准确性，具有良好的临床应用潜力。

本研究提出了一种基于深度学习的方法，利用两个卷积神经网络预测CBCT图像中牙齿的坐标，实现牙齿体积裁剪和病变检测。方法具有高准确率和敏感性，适用于病变检测。

本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑 MRI 中的病变检测。通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。实验证明了该方法在脑肿瘤检测方面的良好性能。

本研究提出了一种基于深度学习的方法，利用两个卷积神经网络：SpatialConfiguration-Net (SCN) 和修改版的 U-Net，精确地预测了CBCT图像中所有牙齿的坐标，实现了对牙齿体积的精确裁剪，并通过分割方法检测出病变，解决了CBCT图像中的类别不平衡问题。方法在144个CBCT图像上评估，实现了97.3%的牙齿定位准确率，具有0.97的敏感性和0.88的特异性，适用于病变检测。

本文介绍了基于Transformer的CL-Net框架，能够在端到端的方式下学习病变检测和配对位置，并设计了可交互的检测器和病变关联器来确定正确的匹配位置，从而在乳腺X线摄影图像的病变检测方面表现出色。