为人工晶状体 （IOL） 选择合适的度数对于白内障手术的成功至关重要。传统上，眼科医生依靠手动设计的公式（如“Barrett”和“Hoffer Q”）来计算 IOL 屈光力。然而，这些方法的准确性有限，因为它们主要关注眼轴长度和角膜曲率等生物识别数据，而忽略了揭示眼睛内部解剖结构的术前图像中的丰富细节。提出了一种新的深度学习模型，该模型利用多模态信息进行准确的 IOL 功率计算。

修改代码过后忘记把模型加载GPU里面跑了，导致输入详细是GPU，但模型是CPU的情况。

基于深度学习的图像融合方法是近年来计算机视觉领域的研究热点。本文从五个方面对这些方法进行了综述:首先，阐述了基于深度学习的图像融合方法的原理和优点;其次，从端到端和非端到端两方面对图像融合方法进行了总结，根据深度学习在特征处理阶段的不同任务，将非端到端图像融合方法分为决策映射深度学习和特征提取深度学习两大类。根据网络类型的不同，将端到端图像融合方法分为三类:基于卷积神经网络的图像融合方法、基于生成

在医学领域，获取正确注释的数据是昂贵的，因为它需要专家、耗时的协议和严格的验证。主动学习试图通过主动采样最有信息的示例来最小化对大型注释样本的需求。这些例子极大地提高了监督机器学习模型的性能，因此，主动学习可以在基于深度学习的诊断、临床评估和治疗计划中选择最合适的信息方面发挥重要作用。尽管一些现有的工作已经提出了采样医学图像分析中注释的最佳示例的方法，但它们不是任务无关的，也没有在采样器中使用多模

多模态学习利用来自不同模态的互补信息，从而提高医学图像分割的性能。然而，流行的多模态学习方法严重依赖来自各种模态的大量注释良好的数据来实现准确的分割性能。由于此类数据的可用性有限，这种依赖性通常会在临床环境中带来挑战。此外，不同成像模式之间固有的解剖错位使提高分割性能的努力进一步复杂化。提出了一种新的半监督多模态分割框架，该框架对稀缺的标记数据和未对齐的模态具有鲁棒性。采用一种新颖的跨模态协作策略

超分辨率医学图像可以帮助医生提供更准确的诊断。在许多情况下，计算机断层扫描(CT)或磁共振成像(MRI)技术在一次检查中捕获多个扫描(模式)，这些扫描(模式)可以联合使用(以多模式方式)以进一步提高超分辨率结果的质量。本文方法提出了一种新的多模态多头卷积注意模块来超分辨CT和MRI扫描注意力模块使用卷积运算对多个连接的输入张量执行联合空间通道注意，其中核(接受场)大小分别控制空间注意的减少率，卷积

多模态图像融合的目的是使融合后的图像保持不同模态的优点，如功能高光和细节纹理。为了解决跨模态特征建模和分解所需模态特定特征和模态共享特征的挑战，我们提出了一种新的关联驱动特征分解融合(CDDFuse)网络。首先，使用Restormer块提取跨模态浅层特征。然后，引入了一种双支路transformer- cnn特征提取器，其中Lite Transformer (LT)块利用远程注意力处理低频全局特征

目的：介绍一种新的神经网络学习过程，并证明它在一些小问题上工作得足够好，值得进一步研究。forward - forward算法将反向传播的前向和后向传递替换为两个前向传递一个是正数据(即真实数据)，另一个是由网络本身生成的负数据。每一层都有自己的目标函数，即正面数据有高优度，负面数据有低优度。一个层中活动平方和可以用作优度，但还有许多其他可能性，包括减去活动平方和如果正传递和负传递可以及时分离，负

现代层次视觉转换器在追求监督分类性能的过程中增加了一些特定于视觉的组件。虽然这些组件带来了有效的精度和有吸引力的FLOP计数，但增加的复杂性实际上使这些变压器比它们的ViT对应产品慢。在本文中，我们认为这种额外的体积是不必要的。本文方法通过使用强视觉代理任务(MAE)进行预训练，我们可以在不损失精度的情况下从最先进的多级视觉变压器中去除所有的铃声和口哨。在这个过程中，我们创建了一个非常简单的分层视

自我监督的方法主导了监督学习。他们使用大量免费获取的未标记数据。自监督学习方法已被证明在困难的下游任务中是有效的，如图像分类、对象检测、图像分割和其他带有少量标签输入的任务。本文的作者研究了SSL应用领域以及各种类型的学习。当与其他学习方法结合使用时，SSL可以取得更大的成功。不同的代理任务产生不同的监督信号，可以帮助网络学习更多的典型特征。在现有的大多数自监督视觉特征学习算法中，ConvNet被