本研究针对特征金字塔网络（FPN）在小物体检测中存在的不足，提出了一种新的高频与空间感知特征金字塔网络（HS-FPN）。论文创新性地设计了高频感知模块和空间依赖感知模块，以增强小物体的特征表现，实验结果表明，HS-FPN在AI-TOD数据集上对小物体检测具有显著的性能优势。

细胞分割在生物医学研究中至关重要。深度学习方法如CNNs在这方面取得进展，但显微镜像差仍是挑战。本研究利用DynamicNuclearNet和LIVECell数据集评估模型性能，模拟不同像差。结果表明，FPN结合SwinS在轻微像差下表现出色，而Cellpose2.0适合处理复杂细胞图像。研究为选择合适的分割模型提供了指导，提高了分割的可靠性。

数字乳房X线摄影是乳腺癌检测的关键，深度学习为乳房X线分析提供了有前途的工具。本文提出了一种新的多尺度可解释深度学习模型，用于乳房X线摄影的肿块边缘分类。该模型与放射科医生的实践相吻合，提供了一个通用架构。

本文介绍了特征对齐金字塔网络（FaPN）的方法，用于上下文对齐上采样的高级特征和强调空间细节的低级特征。该方法在四个密集预测任务和四个数据集上比FPN改进了1.2-2.6个AP/mIoU点。在Mask-Former中融合后，FaPN在ADE20K上实现了56.7%的mIoU。

AI进展导致传统诊断方法衰退，端到端诊断即将快速到来。提出结合FPN和SRNN的图像分割模型，加快超声图像分割过程，减轻超声医生负担。

近期AI的进展导致传统诊断方法衰退，端到端的诊断即将快速到来。本文提出了一种新的超声图像分割模型，结合了FPN和SRNN，考虑了超声图像的两个固有特征：器官和组织的空间尺寸变化以及人体内部解剖结构的相对恒定空间关系。讨论了使用FPN提取不同尺度解剖结构和使用SRNN提取腹部超声图像中的空间上下文特征的原因和实现方法。