本研究提出了一种新型深度学习模型，用于快速检测肺部疾病和肺癌。该模型通过胸部X光片识别肺结节及其他八种肺病，分类准确率达到77%。研究表明其具有良好的泛化能力，未来可通过扩展数据集提高诊断准确性。

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。

本文提出了一种基于卷积神经网络和注意力机制的语言驱动分割方法，显著改善了肺部疾病，尤其是 COVID-19 CT 影像的分割效果。研究展示了多种深度学习模型的应用，包括自动分割算法和无监督领域自适应，提升了分类准确性和定位精度，为肺部疾病的量化诊断提供了新思路。

该研究提出了结合CNN和Transformer的TransMed方法，在多模态医学图像分类中表现优异，尤其在肺部疾病识别和COVID-19预后预测中显示出更高的准确性。同时，探讨了Compact Convolutional Transformers在有限数据下的应用潜力，并提出新的协同学习方法以应对模型复杂性问题。这些方法为医学图像分析提供了新的可能性。

COVID-19大流行病反应凸显了深度学习在CT扫描中自动分割肺部疾病的潜力。研究开发了一种端到端方法，能够预测肺部、气道、肺动脉和肺病变，并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。

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。