使用 YOLOv8 和 DeiT 对医学图像进行脑肿瘤异常感知诊断单位：赞詹大学论文链接：https://arxiv.org/pdf/2401.03302.pdf本文深入研究了最先进的模型，特别是YOLOv8和DeiT，用于肿瘤检测和分类任务的综合评估，还采用了一种新的性能评估方法，称为患者对患者(PTP)，重点是对模型的现实评估。在医学领域，由于肿瘤在患者群体中的罕见性，从图像中可靠地检测和分类

使用 YOLOv8 和 DeiT 对医学图像进行脑肿瘤异常感知诊断单位：赞詹大学论文链接：https://arxiv.org/pdf/2401.03302.pdf本文深入研究了最先进的模型，特别是YOLOv8和DeiT，用于肿瘤检测和分类任务的综合评估，还采用了一种新的性能评估方法，称为患者对患者(PTP)，重点是对模型的现实评估。在医学领域，由于肿瘤在患者群体中的罕见性，从图像中可靠地检测和分类

基于并行图像-文本数据的对比预训练在视觉语言处理（VLP）中取得了巨大的成功，其中以CLIP和相关方法为代表。然而，先前的探索往往集中在网络的一般领域。生物医学图像领域和文本是相当不同的，但公开可用的数据集很小，而且倾向于胸部x射线，因此严重限制了进展。在本文中，我们进行了迄今为止最大的生物医学VLP研究，使用了从PubMed Central 的生物医学研究文章中提取的1500万对图标题。

RA：医学影像中的通用无监督异常检测单位：慕尼黑工业大学, 亥姆霍兹慕尼黑中心等论文链接：https://arxiv.org/pdf/2401.10637.pdf代码链接：https://github.com/ci-ber/RA医学成像数据日益复杂，凸显了对先进异常检测方法的需求，以自动识别各种病理。目前的方法在捕捉广泛的异常方面面临挑战，通常将其用于大脑扫描中的特定病变类型。