该研究提出了一种新颖的可学习的神经距离，用于描述胰腺导管腺癌与周围重要血管之间的精确关系，并将其作为预后预测的主要特征。通过融合局部和全局特征，使用 CNN 和 Transformer 模块来提取多阶段 CT 图像中的动态肿瘤相关纹理特征，进一步增强跨多个阶段 CT 图像提取的特征。通过与现有方法在多中心数据集上进行广泛评估和比较，并在包括三个中心的外部测试集中进行统计分析，证实了该方法在临床上的有效性。开发的风险标记是预操作因素中最强的整体生存预测因子，具有与现有临床因素结合选择高危患者并获得新辅助治疗益处的潜力。

Aug, 2023

胰腺导管腺癌（PDAC）是一种具有有限治疗选择的高度侵袭性癌症。本研究提出一种工作流程和基于深度学习的分割模型，自动评估肿瘤 - 血管的参与程度，这是决定肿瘤可切除性的关键因素。肿瘤可切除性的正确评估对于确定治疗选择至关重要。所提出的工作流程包括处理 CT 扫描以分割肿瘤和血管结构，分析空间关系和血管参与的程度，该过程与 PDAC 评估中的专家放射科医生的工作方式相似。三种分割架构（nnU-Net，3D U-Net 和概率性 3D U-Net）在分割静脉、动脉和肿瘤方面具有高度准确性。分割使得可以自动检测肿瘤的参与程度，准确度高（0.88 敏感性和 0.86 特异性），并自动计算肿瘤 - 血管接触的程度。此外，由于这些重要结构的显著观察者差异性，我们提供了每个模型捕捉到的不确定性，进一步增加对预测参与度的洞察。这一结果为临床医生提供了肿瘤 - 血管参与的明确指示，并可用于促进外科干预的更理性决策。所提出的方法为改善胰腺癌患者的预后、个性化治疗策略和生存率提供了宝贵的工具。

Oct, 2023

通过使用生成对抗网络（GAN）技术，我们开发了一个名为 3DGAUnet 的新型 GAN 模型，用于合成胰腺导管腺癌（PDAC）肿瘤和胰腺组织的逼真的三维 CT 图像，以提高 PDAC 的形状和纹理学习，从而增强了 PDAC 肿瘤的准确性和早期检测的能力。

Nov, 2023

本研究提出了一种基于深度学习的自动化系统，使用 3D CT 扫描实现胰腺的定位和分割来解决医学图像分析中的器官分割问题，并在公开数据集上进行了四倍交叉验证的定量评估。

Jan, 2017

通过使用渐进双先验网络（PDPNet）分割动态增强磁共振图像 (DCE-MRI) 中具有不同来源的乳腺肿瘤，旨在提高乳腺肿瘤分割模型的泛化能力，改善对小型、低对比度和不规则形状乳腺肿瘤的分割性能。

Oct, 2023

提出了一种新的病变感知跨阶段注意力网络（LACPANet），可以有效地捕捉肾脏病变在多期 CT 阶段之间的时间依赖关系，从时间序列多相 CT 图像中准确分类肾脏病变为五个主要病理亚型，并在诊断准确性方面超越了现有方法。

Jun, 2024

本论文针对医学图像分析中的自动器官分割问题，提出了一种基于深度学习和随机森林的综合方法，通过聚合器官内部和边界的语义标签生成保边界腺体分割。在 82 个病人的 CT 扫描数据集上，我们的方法达到了 78.01% 的 Dice 相似度系数，相较于之前最先进方法的 71.8% 显著提高。

Jun, 2016

本研究采用 3D 卷积神经网络对容积式医学图像进行分割，并提出了一种新的 3D 粗到细的框架，该框架不仅有效而且高效可靠，与 2D 方法相比取得更好的效果，并在临床应用中得到了可靠性保证。

Dec, 2017

通过使用 VAE 提取 DLR 特征并最小化其与 HCR 特征之间的互信息，我们解决了学习与传统手工特征不冗余的深度学习放射组学 (DLR) 的问题，这些特征可与手工特征相结合并通过分类器预测胰腺癌的早期标志物，并验证了其在大型独立测试集上的有效性，结果表明非冗余的 DLR 和 HCR 特征的结合增加了曲线下面积 (AUC) 相比于不考虑冗余或仅依赖 HCR 特征的基线方法。

Aug, 2023

本文提出了一种基于深度学习的多任务学习框架下的高效深度轮廓感知网络（DCAN）用于对组织学图像中的腺体进行精确分割，该方法不仅能输出腺体的准确概率图，还可以同时描述清晰的轮廓以分离聚集的物体。该方法在 2015 年 MICCAI 腺体分割挑战赛中胜出，超过了其他 13 个竞争对手的方法。

Apr, 2016