介绍了一种利用深度学习方法进行肿瘤生长预测的技术，采用神经场和循环神经网络，并通过时间编码策略实现对肿瘤形状的预测。在实验中，模型表现出显著改进，特别是对于生长或缩小最为明显的肿瘤。

Apr, 2024

提出了一种基于卷积神经网络的肿瘤分割方法，采用多种序列图像，结合 2D 和 3D 上下文，通过级联 2D-3D、子网络处理缺失图像序列等策略提高了效率，在 BRATS 2017 竞赛中良好表现，可用于各种分割任务。

Jul, 2018

本文提出了一种高阶卷积 LSTM 模型和一种新的张量列车模块，可以有效地学习视频序列中的长期时空相关性，并通过结合时间上的卷积特征进行预测，通过张量列车分解降低了模型复杂度，取得了广泛应用和数据集上的最佳表现。

Feb, 2020

本研究探讨利用长短时记忆网络（LSTMs）对放射学检查图像序列，包括报告进行建模，以提高分类性能，并发现对 LSTM 的简单修改可以显著提高分类性能，从而更好地检测胸部 X 光片上的异常，如心脏增大，实变，胸腔积液和食管裂孔疝。

Jul, 2018

提出一种将 Convolutional Long Short Term Memory（C-LSTM）与 U-Net 相结合的细胞分割方法，以捕获细胞动力学信息，该方法在细胞跟踪挑战赛中取得了最先进的结果，代码可在提供的 https 链接中免费获取。

May, 2018

利用最新的深度学习技术开发稳健的通用三维分割框架是不同生物医学领域中的一个活跃研究领域，该研究介绍了一种称为 Temporal Cubic PatchGAN (TCuP-GAN) 的体素到体素转换模型，将生成性特征学习框架与卷积长短时记忆网络 (LSTMs) 相结合，用于三维分割任务，展示了该框架在四个分割挑战 (成人胶质瘤、脑膜瘤、儿童肿瘤和撒哈拉以南非洲子集) 的数据上的能力，并使用 LesionWise Dice 相似度和 95% Hausdorff 距离度量了其性能，展示了我们的框架在所有挑战中成功学习到了具有强鲁棒性的多类别分割掩模，这项基准工作为将 TCuP-GAN 应用于其他多类任务如电子显微镜成像中的多细胞器分割等未来工作努力提供了一个基础。

Nov, 2023

使用 ST-CNN 算法对 4D fMRI 数据进行空间 - 时间建模，并自动准确定位功能网络，ST-CNN 通过联合学习空间和时间模式来确保准确识别 Default Mode Network（DMN）。

May, 2018

基于医学深度学习，本研究提出了两种方法来分析短期和长期的时间发展，通过结合对比学习和时间嵌入以及遮罩和预测潜在帧表示，实现了对生理功能和疾病进展的自动化分析。

Mar, 2024

本文提出了一种新的模型，使用 ConvLSTM 编码观察到的视频帧的时空信息来预测未观察到的未来帧的语义分割图，并扩展了双向 ConvLSTM 来捕获双向的时间信息，该方法在基准数据集上优于其他最先进的方法，为实时决策制定提供了可靠的解决方案。

Jul, 2018

本文介绍了一种基于多分辨率卷积神经网络的方法，从未经规则检测的稀疏实验室数据中进行多种疾病的早期检测，我们的实验表明，通过卷积学习的时间特征明显比通常用于早期疾病诊断的基准更具预测能力 。

Nov, 2015