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。

本研究提出了一种基于深度学习的肾脏异常分割方法，能够准确识别和量化肾脏囊肿、肿瘤等病变。通过训练215例CT扫描，模型在分割性能上超越人眼观察者，显示出计算机化方法的潜力。此外，研究开发的新型反事实修复方法提升了肾脏肿瘤的分割精度，多个实验中取得了优异的Dice系数，证明了模型的有效性和效率。

本文介绍了多种深度学习模型在结肠癌检测和组织分割中的应用，包括U-Net多任务模型和U-SAM模型，均在不同数据集上表现优异。研究强调数据增强和半监督学习的重要性，并提出新框架以提高息肉图像分割的准确性，为未来临床应用提供基线。

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...

本文探讨了视觉语言模型在医学图像分析中的应用，提出了新评估框架和多模态自然语言处理模型MedViLL，展示其在影像报告生成等任务中的优越性能。研究还强调了模型在临床有效性和患者隐私方面的挑战，并展望未来发展方向。

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。

本文探讨了深度学习在医学图像分析中的应用，包括局部脑龄预测、卒中诊断、3D医学图像分割和心血管狭窄评估。研究表明，深度学习在提高分割精度和自动化诊断方面具有显著优势，尤其适用于低分辨率图像和稀疏标注数据。

本研究针对全身CT扫描中的多器官分割问题，提出了一种基于器官特异性形态学习的解决方案，包括距离图回归和轮廓图检测。通过使用基于转换器的模型和预训练扩散模型，研究展示了在有限标记数据下的有效分割性能，显著提高了小体积器官的分割精度，推动了医学影像分析的发展。

光子计数计算机断层扫描（PCCT）是一项创新技术，解决了传统医学影像的空间分辨率和噪声问题。文章综述了PCCT在临床前研究中的应用，特别是在乳腺细微异常检测方面的优势，并探讨了结合深度学习和放射组学特征的研究，尽管文献有限，但PCCT在诊断应用中展现出潜在好处。

利用已知的运算符学习方法，以及采用一种新颖的自适应滤波过程的滤波反投影算法，这篇论文提出了一种重建特定轨道的圆锥束计算机断层成像（CBCT）的新方法。通过实验，该方法成功地从圆形轨道投影数据中学习出最佳参数并实现图像重建，提高了重建速度和减少了内存使用。

本文研究了基于深度学习的方法是否能够精确解决无噪声的反问题，并通过计算机断层扫描问题的研究证明了迭代的端到端网络方案和数据驱动的校准步骤能够使CT重建达到数值精度，该方法表现优越。

本研究提出了Motion-compensated Iterative Reconstruction Technique (MIRT)，一种高效的迭代重建方案，结合了图像重建和仿射运动估计。实验结果表明，该方法在计算可行性和投影距离方面优于其他最先进的4DCT方法，为4DCT的新应用提供了可能性。

我们开发了一种全自动的方法，对冠状动脉周围的心周脂肪进行测量。通过训练一个三维全分辨率的神经网络来分割冠状动脉，然后自动测量心周脂肪。在测试中，得到了较高的准确性和衰减数值。这项工作展示了自动化心周脂肪测量在炎症和心脏疾病识别中的潜力。

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。