评估了不同的卷积神经网络（CNN）对 MRI 序列是否含有恶性病变进行可靠分类的能力，训练和评估了 3D 图像数据的 ResNet、ConvNet 和 ConvNeXt 实现，并使用不同的数据增强技术、学习率和优化器进行训练。最佳结果由 ResNet3D 获得，平均精确率为 0.4583，AUC ROC 得分为 0.6214。

Apr, 2024

通过引入一种解剖条件控制的潜在扩散策略，我们探索了潜在扩散对于生成逼真的前列腺 DWI 数据的有效性。经验结果表明，我们提出的 Cancer-Net PCa-Gen 策略通过可控的肿瘤位置和更好的解剖和纹理保真度提高了多样性前列腺图像的合成。这些关键特性使其非常适合增加真实患者数据，从而使神经网络能够在更多样化和全面的数据分布上进行训练。

Nov, 2023

本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。

Jul, 2017

本研究设计了一个分层级联的计算机辅助检测系统用于医学影像，包括候选区域的生成和基于卷积神经网络的分类方法，成功提高了三种癌症（骨转移、淋巴结和结直肠息肉）的 CAD 检测性能，并综合展示了该方法在各种医学影像 CAD 检测中的应用前景。

May, 2015

使用多种深度学习模型和多参磁共振成像技术对前列腺癌进行分类和分割，在各种度量指标上表现出优异的性能。

Oct, 2023

本研究研究了应用深度学习模型和新兴模型 “Vision Transformer (ViT)” 进行乳腺癌的检测与诊断，结果表明 ViT 模型在准确性和效率方面均优于其他 CNN 架构，实现了 95.15％的准确率。

May, 2023

本研究旨在探究通过减少采集平均数和使用一种被命名为引导噪声卷积神经网络（DnCNN）的方法，对前列腺扩散加权成像（DWI）进行加速。结果表明，相较于使用传统的 DnCNN，使用引导 DnCNN 可以产生结构相似度指数和峰值信噪比更高、规范化均方误差更低的去噪图像，并且 ADC 值与参考 ADC 值达成了很好的一致性，因此这种加速前列腺 DWI 的方法在技术上是可行的。

Jun, 2020

该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

Feb, 2016

针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

Mar, 2018

通过从乳腺癌中进行迁移学习，我们研究了在 T2 加权图像中改善临床意义前列腺癌预测的方法，结果显示在 leave-one-out 交叉验证准确性中取得了超过 30% 的显著提升。

May, 2024