达摩院研发的AI模型DAMO GRAPE能够通过平扫CT提前6个月识别早期胃癌，显著提高检出率。该技术在全国20个中心的临床研究中表现优异，填补了胃癌筛查的空白，促进早期发现与治疗。

本研究提出了一种基于对抗学习的动态架构调整方法，旨在提高眼底图像中出血病灶的分割精度，促进眼科疾病的早期检测与治疗规划。

本研究针对现有缺血性中风病灶分割技术在准确性上的不足，提出了一种基于深度学习的新方法，采用多通道MRI模态进行分割。研究发现，该方法通过结合DenseNet121和自组织神经网络，及创新的损失函数显著提升了病灶分割的准确率，能够有效改善缺血性中风的诊断和治疗规划，为临床决策提供重要支持。

本研究提出HES-UNet模型，解决肝囊虫病病灶分割中的特征融合不足问题。该模型结合卷积层和注意力模块，显著提高了分割精度，Dice相似系数达到89.21%。

本研究提出了一种基于nnU-Net框架的自动分割方法，显著提高了低收入和中等收入国家缺血性中风的检测效果，Dice得分为0.752，IoU得分为0.643，辅助医生评估病情。

本研究解决了多发性硬化症（MS）病灶分割模型在不同评估数据集上的通用性不足的问题。通过使用高质量的公开数据集，采用先进的UNet++架构进行系统训练，结果表明模型在多个测试数据集上表现一致，且合并数据集能够显著提升模型性能。这项研究有助于在实际临床中更有效地进行MS的初步诊断和病程监测。

研究提出了一种自动分割多发性硬化病灶的MRI扫描方法，利用新标注数据集和卷积神经网络技术，实现无需用户干预的稳健检测。该方法结合领域适应性、注意力机制和联邦学习，提升了分割精度和鲁棒性，为多发性硬化症的监测和诊断提供了新工具。

本研究提出了一种新方法，通过结合解剖标签和训练nnUNet集成模型，解决了PET/CT成像中病灶分割准确性问题。在FDG和PSMA数据集上的交叉验证中，该模型的Dice分数分别达到了76.90%和61.33%，验证了其有效性。

该研究使用3D Residual UNet模型和广义Dice焦点损失函数，成功解决了PET/CT扫描中自动分割癌性病灶的挑战。经过5折交叉验证，平均Dice相似系数为0.6687，为常规PET/CT图像分析提供了有效的分割模型。

本文介绍了一种使用静息态功能磁共振成像技术的新型建模架构BrainRGIN，通过图神经网络在静态功能网络连接矩阵上预测智力。模型在青少年大脑认知发展数据集上评估，证明了其在预测智力个体差异方面的有效性。中央额叶回对流体和晶体智力有显著贡献，总复合分数识别出与大脑相关的多样区域，凸显了总智力的复杂性。

本研究提出了V2I-DETR方法，解决了医学病灶检测中的问题。通过教师-学生网络结构，将多帧的时序上下文蒸馏到单帧图像模型中，兼顾了视频模型的时间上下文利用和图像模型的推理速度。实验证明，V2I-DETR超越了现有方法，并实现了实时推理速度（30 FPS）。

该研究使用卷积神经网络进行迁移学习，自动检测糖尿病视网膜病变。通过提出全面的DR检测方法，使用U-Net神经网络架构进行分割，该模型在视网膜病理评估中表现出潜力，有望改善糖尿病视网膜病变患者的预后。

本研究提出了一种动态交互学习框架，通过将交互式分割与弱监督学习和流式任务集成，解决了医学图像自动分割系统的挑战。该框架减少了标注工作量，并生成了具有竞争力的结果。此外，该框架可以在医院防火墙之后部署。

本文介绍了一种创新模型，将3D CT图像视为视频，每个切片视为帧，将肺结节视为对象，以实现对2D数据的高效处理，并利用3D图像上下文进行准确识别。通过验证，该网络在肺结节识别方面表现出显著准确性。

该文章介绍了基于状态空间模型的方法在医学图像分割中的优势，提出了一种新的方法来增强特征融合，实验结果表明其在医学图像分割任务中表现出竞争力。

本研究探讨了使用生成模型（如GANs）构建的合成影像在大脑肿瘤分割任务中与真实影像训练的性能差异。实验结果显示，合成影像在一定数据量下能有效训练神经网络。常用的合成影像评估指标无法准确预测其在特定任务上的性能。

研究人员提出了一种新的多模态深度神经网络框架，用于生成描述医学图像结果的胸部X射线检查报告。实验证明，使用附加模态可以显著改善结果，但需要更多改进。