本研究解决了自动诊断胸部疾病中长期标签多标签数据分类的问题，提出了CheX-DS模型，通过集成学习结合了DenseNet和Swin Transformer的优势。研究发现，该模型在处理数据不平衡方面表现出色，能够有效提升肺部X光图像分类的准确性，平均AUC评分达到83.76%。

本研究针对 COVID-19 疫情中超声成像在检测中的应用所面临的超声数据集规模和标注缺乏的问题，提出了一种名为 MeDiVLAD 的新的多级肺部超声严重程度评分管道。通过自我知识蒸馏和双级 VLAD 聚合特征，MeDiVLAD 在分类推理和评分精度上超越了传统的全监督方法，为自动识别肺部病理和更广泛的医疗视频分类任务提供了强大的解决方案。

本研究提出了一种新型深度学习模型，能够快速诊断肺部疾病和肺癌。在肺结节分类中，该模型达到了77%的准确率，展现出良好的泛化能力，未来可通过扩展数据集进一步提高准确性。

本研究提出了一种新型CAD-Unet深度网络架构，结合胶囊网络，有效解决COVID-19肺部感染CT图像分割问题，显著提高了分割精度，实验结果优于现有方法，具有临床应用潜力。

本研究通过迁移学习和微调新发布的Segment Anything Model（SAM），显著提升了胸部X光图像中肺部分割的性能，具有重要的临床应用潜力。

本研究解决了新兴传染病在肺部CT扫描中检测效率低下的问题。通过对肺部CT数据中的异常进行识别，并与历史患者群体的分布进行比较，提出了一种新的检测方法。研究发现，这种方法能够有效识别新兴疾病的特征模式，进而有助于更快地发现和应对新兴传染病。

本研究提出了一种算法，通过自动提示选择提升SAM在因疾病导致的不透明性覆盖的胸片肺部分割中的零样本性能，平均Dice分数达到95.5%。

本文提出了一种创新模型，将3D CT图像视为视频，每个切片视为帧，将肺结节视为对象，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。该网络在敏感性和竞赛性能方面表现出色，准确性显著优于最先进技术。

本研究提出了一种基于轻量深度学习的肺部疾病检测和定位方法，通过使用预训练的VGG-16权重实现高准确率的肺区域分割和感染区域定位，具有实时和资源有限环境下的应用潜力。

通过预后和术后图像引导，使用呼吸相减法评估肺肿瘤消融疗法的效果，并提出定量分析指标来评估消融疗效，促进肺癌微波消融手术的评估。实验证实了呼吸相减法和定量评估指标在肺肿瘤治疗评估中的有效性。

该研究使用重建方法建立了肺部的3D仿真模型，并构建了计算机辅助肺结节检测模型。通过神经网络迭代处理图像，优化了肺结节识别模型。该技术与3D虚拟建模技术结合，提高了系统的交互性，实现了肺结节的智能识别。使用LUNA16大样本数据库评估结果显示，该技术相比传统诊断方法具有更高的识别率，对早期阶段检测肺部异常和诊断肺癌具有重要价值。

我们提出了一种自监督异常检测方法，结合对比学习和2D-Flow，实现更精确的检测结果和更快的推理过程。与无监督方法相比，我们的方法具有更高的准确度、更少的参数和更快的速度。

COVID-19大流行病反应凸显了深度学习方法在通过CT对肺部疾病进行自动分割的潜力。研究使用多态训练优化了一个网络，结合6000多个手动和自动标签的CT扫描，开发了一种用于肺部、气道、肺动脉和肺病变分割的端到端方法。在地面玻璃浑浊度和病变分割方面取得了最先进的性能。提供了开源实现。

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数据的高效处理和准确识别。该网络在敏感性和竞赛性能方面表现出色。

本文介绍使用变分自编码器（VAE）检测皮肤病图像异常的潜力。作者使用深度生成模型训练只有正常数据的VAE，并在ISIC2018挑战疾病分类数据集上取得了0.779的AUCROC，证明该模型有效。同时，作者还尝试将该模型应用于检测黑色素瘤和色素性角化等具体疾病类型，取得了0.864和0.872的AUCROC。这是文献中首次尝试使用深度生成模型检测皮肤病图像异常。

该文介绍了一种基于3D卷积神经网络的新型框架，用于自动检测低剂量CT扫描中的肺结节。实验结果表明该方法在公共大规模数据集上具有卓越的性能。