一、《Transformers in Medical Image Analysis: A Review》
1，教师-学生神经网络(Teacher-Student NeuralNetwork)，也被称为知识蒸馏(Knowledge Distillation)，是一种模型压缩和优化方法。
2，图学习，也称为图表示学习（Graph Representation Learning, GRL），是一种通过学习节点和边的向量表示，有效捕捉和反映图中的结构特性和节点关系的技术。
3，Unet是一种用于图像分割的深度学习网络模型，它在医学图像处理领域得到广泛应用。
二、医学图像分类（研究集中在提高模型的泛化能力和处理小样本数据、迁移学习方面）
1，零样本和细粒度方面
2，结合CNN和Transformer（TrandMed模型）
三、医学图像分割（研究集中在网络架构搜索、图卷积神经网络、多模态数据融合方面）
1，ViT结合CNN
2，Attention+UNet
<br>医学影像分割进展：传统、深度学习和混合方法的全面综述,Bioengineering - X-MOL医学图像分割进展综述
SOTA-MedSeg收集并实现了众多在医疗图像分割任务中表现出色的深度学习模型-GitCode - 全球开发者的开源社区,开源代码托管平台