本研究提出了一种基于切片的深度学习模型可解释性方法，应用于3D CT数据，通过2D编码器生成反事实，节省内存并保持3D上下文，显示出良好的效果，具有重要的临床应用潜力。

本研究解决了日本缺乏大规模放射学数据集的问题，通过机器翻译开发了全面的日语CT报告数据集，并建立了一个专门用于结构化发现分类的语言模型。研究结果显示，CT-BERT-JPN模型在多个分类条件下表现优于现有模型，具有极高的准确性，推动了医疗影像分析领域的语言模型发展。

本研究针对现有光学预处理器依赖训练数据的问题，提出了一种超材料成像器，能够实施Radon变换而无需训练光学。该方法实现了高质量图像重建，压缩比达到0.6%，在Radon数据集上通过神经网络实现了90%的分类准确率，显示出其在图像处理领域的广泛适用性和潜在影响。

本研究解决了组织学切片与微计算机断层扫描图像配准中的图像质量低和软组织样本变形问题。提出了一种新颖的二维-三维多模态可变形图像配准方法，该方法结合了机器学习初始化与分析性离面变形优化。实验结果显示，该方法在与其他配准方法相比时性能优越，有助于提升虚拟组织学的应用潜力。

本研究提出了一种多尺度集成的Transformer放大器模型（TAMP），旨在解决非理想测量计算机断层扫描（NICT）中影像质量下降的问题。TAMP通过在大规模数据集上预训练，能够在多种非理想设置中有效增强影像，展现出显著的实际应用潜力。

VoxelMorph是一个用于医学图像变形匹配的学习框架，显著提升了图像分析的速度和准确性。研究中提出的CDIDN和ORRN模型有效解决了CT图像中的大变形问题，并在肺部器官配准中表现优异。此外，基于无监督关键点检测的方法提升了乳腺DCE-MRI的肿瘤注册性能，具有重要的临床应用潜力。

该研究提出了一种反事实生成框架，能在不需要像素级注释的情况下实现出色的脑肿瘤分割性能，并提供解释性。通过拓扑数据分析，获得全局可解释的流形，可以生成有意义的正常样本，定位肿瘤区域。在两个数据集上评估，展示了卓越的脑肿瘤分割性能。

本研究提出了一种新的CDDM框架，用于稀疏视图CT图像重建，实验结果显示CDDM在生成高质量图像方面具有清晰的边界和高计算效率。

本研究介绍了一个新的大规模直肠癌CT图像数据集CARE和U-SAM模型。实验证明U-SAM在CARE和WORD数据集上优于现有方法，为未来研究和临床应用提供了基线。

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，该模型在肝肿瘤分割挑战赛中表现出竞争性的结果。该模型不需要使用外部数据，并提出了一个简单的单阶段模型进行端到端的训练。研究结果显示，该方法在病变分割性能和病变检测精度方面表现出色。

通过CT和MRI多模态图像的信息特征，提出了一种空间对齐算法和弱监督多模态注册网络，实现了多深度多模态图像的自动对齐。该方法通过金字塔特征和代价体积估计光流，并在多种评估指标上证明了其优越性，验证了其在多模态图像注册中的有效性。

通过位置感知的三维图像块扩散评分融合，本文提出了一种新的框架，能够学习三维图像的先验进行大规模三维医学图像重建，实验表明我们的方法在稀疏视图和有限角度的 CT 重建上显著优于先前的方法，并且在高维三维图像（$256 imes 256 imes 500$）的实际 CT 重建问题上获得了最先进的性能，同时算法具有更好或相当的计算效率。

通过 coronary computed tomography angiography (CCTA) 图像，提出了一种注重注意力的特征聚合的三维深度网络 (AGFA-Net)，用于冠状动脉分割，该网络利用注意机制和特征细化模块来捕捉显著特征并提高分割准确性。在包含 1,000 个 CCTA 扫描的数据集上，AGFA-Net 的评估表现出卓越的性能，在 5 折交叉验证中平均 Dice...

《Radiology Report Generation（R2Gen）》展示了多模态大型语言模型（MLLMs）如何自动化生成准确和连贯的放射学报告。通过引入新的策略SERPENT-VLM，该模型在数据集上优于现有的基线方法，并在嘈杂的图像环境中具有稳健性。这一研究为医学成像领域的自监督完善研究打开了新的研究路径。

通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。

本研究探讨了冠状动脉计算机断层血管造影术中体积和组织密度特征与个体年龄的关系，发现了局部影响和性别差异。

该研究介绍了腹部多器官分割在计算机断层扫描中的重要性和深度学习方法的应用。研究使用基于转换器的模型，展示了其在腹部多器官分割中的可行性和结果表现。

计算机断层扫描（CT）通过一组投影图像计算物体内部结构图像。近年来，深度学习在CT造影图像去伪影方面表现出良好结果。提出了一种多阶段深度学习伪影去除方法，实验证明其有效且优于基于深度学习的后处理方法。

计算机断层扫描（CT）通过投影图像计算物体内部结构的图像。近年来，深度学习在CT造影图像去伪影方面取得了好的结果。提出了一种多阶段深度学习伪影去除方法，实验证明该方法有效且优于基于深度学习的后处理方法。

计算机断层扫描（CT）中，通过一组投影图像计算物体内部结构的图像。近年来，深度学习方法在CT造影图像去伪影方面表现出良好结果。提出了一种多阶段深度学习伪影去除方法，实验证明该方法有效且优于基于深度学习的后处理方法。