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。

本文介绍了多种基于图神经网络（GNN）的脑网络分析方法，如BrainGB、NeuroGraph和IGS，旨在提升脑图分类和疾病诊断的性能。研究表明，结合神经影像和表格数据可实现高精度分类，新模型在智力预测方面表现优异。此外，Brain-SubGNN增强了图形分析的可解释性，显示出在早期痴呆症诊断中的潜力。

本文介绍了多种医学图像处理的新方法，如ElixirNet、EPVT、STEMD、STNet和CAF-YOLO，旨在提高微小病变的识别灵敏度和精度。这些方法在不同数据集上表现出优越的性能和效率。

本文探讨了利用卷积神经网络（CNN）对糖尿病视网膜病变（DR）进行自动检测和分级的深度学习技术。研究提出多种算法，显示出在图像分析和病变识别方面的显著效果，尤其在数据集稀缺的情况下。通过高质量的像素级注释数据集，旨在提高DR的诊断准确性，为患者提供更好的预后。

本文提出了一种基于深度学习的交互式对象分割方法，利用真实人类注释数据集和自动评估模型来提升注释质量。研究开发了动态交互学习框架，以减少标注工作量并提高在线学习性能，旨在解决医学图像分割中的挑战。

本研究设计了一种计算机辅助诊断系统，利用3D神经网络和SlowFast网络区分良性与恶性肺部病变，支持实时分析。提出的Two-Stage Detection and Diagnosis Network提高了乳腺癌超声诊断的准确性，并在肺结节筛查和胆囊癌检测中表现优于现有技术。

本文提出了基于Mamba架构的医学图像分割模型，如VM-UNet和Swin-UMamba，结合了状态空间模型和卷积神经网络的优点，显著提升了分割性能。实验结果显示，这些模型在多个公共数据集上表现优异，尤其在捕捉长距离依赖和上下文信息方面，为医学图像分析提供了新方案。

本文探讨了扩散模型在医学图像生成中的应用，旨在提升机器学习模型在医学影像分析中的性能。研究表明，合成图像在肺部CT、皮肤镜和多发性硬化症MRI等任务中显著提高了分类和分割效果，展示了扩散模型在医学图像合成领域的潜力。

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。

多模态深度学习在医学影像诊断领域取得进展，但准确定位疾病仍是挑战。研究提出一种新方法，利用文本报告和胸部X射线图像进行对比学习，有效定位病灶。

该论文研究了自动化深度学习工具在多发性硬化症患者磁共振成像扫描中的白质病变分割中的不确定性量化作为其可靠性指标。研究探讨了不确定性在结构化输出分割任务中的两个主要方面，并提出了新的衡量不确定性的方法。通过分析来自多中心的MRI数据集，结果表明我们的方法能够更有效地捕捉模型在病变和患者尺度上的错误。

该研究提出了一种用于CT图像中肝脏和肝脏病变联合分割的模型，该模型在2017年的肝肿瘤分割挑战赛中表现出竞争性的结果，并且不需要使用外部数据。该方法几乎达到了顶尖的病变分割性能，并在保持高召回率的情况下实现了第二高的病变检测精度。

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。