本文介绍了一种基于三维卷积神经网络的级联模型用于多发性硬化患者影像的白质病变分割方法，并在公共数据集 MICCAI2008 和两个私有临床数据集上进行了精度评估，表现优于其他已知方法。

Feb, 2017

本研究使用卷积自编码器方法，通过重构 FLAIR 图像的 softmax 层输出来学习分割脑部病变并检测神经退行性疾病，性能远优于传统人工标注和现有自监督方法。

Nov, 2018

本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

Jan, 2019

利用 U-Net 架构开发了准确且具有泛化能力的多发性硬化症损伤分割模型，并提供了一种新颖的测试时自组合损伤融合策略，不需要进一步的修改，同时具备实例归一化，而非文献中广泛使用的批归一化，在不同扫描仪的临床测试数据上展示了良好的泛化能力。

Dec, 2023

使用联邦学习框架中的标签修正策略，解决多发地点协作中数据隐私和标签噪声的问题，实现多发地点的合作，提高多发地点数据的可靠性，并在多发地点数据上进行广泛实验证明了方法的有效性和鲁棒性。

Aug, 2023

本研究提出了两种基于 SmoothGrad 和 Grad-CAM++ 方法的实例级解释映射，用于语义分割的高可解释性人工智能模型，通过对白质病变的磁共振成像进行检测和分割，揭示了这些方法的相关性，以及分割病变所需的周围组织信息。

Jun, 2024

这篇研究分析了针对多发性硬化症患者图像的自动白质病变分割方法的卷积神经网络方法，重点研究了领域适应性对准确性的影响，并评估了在新领域中需要重新训练的最小图像数量和最小图层数量以获得可比较的准确性。

May, 2018

本文研究旨在提高监督式机器学习算法的性能，生成合成性多发性硬化症 (MS) 病灶于核磁共振图像。我们提出了一种双输入双输出的全卷积神经网络模型，用于 MS 病灶合成 MRI 影像。使用病灶信息编码为二进制强度层掩膜，并通过对输入影像叠加。实验结果表明，通过合成图像同时使用非掺杂使得模型在 MS 病灶检测领域有很好的表现。

Jan, 2019

提出了一种简单而有效的框架，名为 CARE（Class Attention to Regions of the Lesion），通过在卷积神经网络（CNNs）的训练过程中引入注意力机制来处理数据不平衡问题。实验证明，该方法能够有效帮助网络专注于罕见疾病的损伤区域，显著提高了罕见疾病的分类性能。

Jul, 2023

脑肿瘤图像分割是一个具有挑战性的研究课题，深度学习模型呈现出最佳结果。然而，传统的从许多预注释图像中训练这些模型的方式还存在一些未解答的问题。因此，方法学，例如从图像标记学习特征 (FLIM)，已经在学习循环中涉及专家，以减少数据注释的人力工作量，并在一个给定的问题上构建足够深的模型。FLIM 已成功用于创建编码器，估计从标记像素为中心的补丁的所有卷积层的滤波器。在这项工作中，我们提出了多步骤 (MS) FLIM - 一种用户辅助的方法，用于从多个 FLIM 执行中估计和选择最相关的滤波器。MS-FLIM 仅用于第一层卷积层，结果已经表明相对于 FLIM 存在改进。为了评估，我们构建了一个简单的 U 形编码器 - 解码器网络，名为 sU-Net，用于胶质母细胞瘤分割，使用 T1Gd 和 FLAIR MRI 扫描，改变编码器的训练方法，使用 FLIM，MS-FLIM 和反向传播算法。此外，我们使用两个数据集将这些 sU-Net 与两个最先进的深度学习模型进行了比较。结果显示，基于 MS-FLIM 的 sU-Net 胜过其他训练方法，并在 SOTA 模型的标准偏差范围内实现了有效性。

Mar, 2024