本文提出了一种计算机辅助自动乳房 X 线摄影分析系统，其中包含三个连续的图像处理、特征选择和图像分类阶段，可以有效分类正常或癌症，实验证明该系统可以提高分类性能。

Dec, 2020

针对乳腺异常的早期检测和准确诊断进行研究，通过使用长期观察的二维乳房 X 射线照片预测乳房异常变异，提出了一种新型的无监督特征相关网络模型，通过重建当前年份和前一年份的乳房 X 射线照片提取不同区域的组织并分析其差异，从而识别可能表明癌症存在的异常变异。该模型利用特征相关模块、注意力抑制门和乳房异常检测模块共同改善预测的准确性，不仅提供乳房异常变异图，还能区分正常和癌症乳房 X 射线照片，相比现有模型更为先进。研究结果表明，该模型在准确性、灵敏度、特异度、Dice 得分和癌症检测率方面优于基准模型。

Dec, 2023

乳腺癌是导致癌症相关死亡的主要原因，但目前的计划成本高且容易出现误报，导致不必要的随访和患者焦虑。本文提出了一种自动乳腺癌检测的解决方案，旨在提高筛查计划的效率和准确性。该研究对 RSNA 数据集中的射线乳腺图片进行了不同的方法测试，约有 2 万名女性患者，并在方法间获得了平均验证 pF1 分数为 0.56。

Jul, 2023

评估了乳腺癌三种创新的诊断技术，并研究了利用机器学习技术（如卷积神经网络）的计算机辅助诊断系统来提高病人的生存率。

May, 2023

FastUSTC 是一种在同样成像时间内能提高医学超声计算机断层扫描术成像质量的有效方法。

Apr, 2023

磁共振成像（MRI）是诊断和分期前列腺癌的关键工具，但也产生了大量数据，必须由经过训练的专家评估，这是一项耗时且繁琐的任务。因此，已经开发了基于多种 MRI 模态（T2W、ADC 和高 b 值 DWI）的前列腺癌（PCa）风险分类自动化的机器学习工具。然而，理解和解释模型的预测仍然是一个挑战。本研究分析了随机森林（RF）和支持向量机（SVM）在两个互补数据集上的表现，即公共 Prostate-X 数据集和一个内部的大部分为早期 PCa 的数据集，以阐明一阶统计特征、Haralick 纹理特征和局部二进制模式对分类的贡献。通过相关性分析和 Shapley 影响力得分，我们发现许多通常使用的特征之间存在强相关性，并且大多数特征对分类几乎没有影响。我们确定了一小组决定分类结果的特征，这可能有助于开发可解释的 AI 方法。

Jun, 2024

通过使用延时软件以及生成对抗网络（GANs），本研究旨在通过从噪音超声图像中提供类似乳腺 X 线摄影图像质量的实时图像，以解决超声图像在空间分辨率和噪音方面的限制。

Aug, 2023

利用 3D 特征分析动态和放射学特征可以有效区分良性和恶性乳腺病变，提高良性和恶性乳腺病变的分类准确性。

Apr, 2024

通过矩阵操作结合混合噪声消除方法和小波分析，取代传统的迭代算法，实现功能性磁共振成像数据的处理，计算时间最快且检测效果可与传统迭代算法相媲美，提高了处理功能性磁共振成像数据的实用价值。

Jun, 2024

本文介绍了深度学习方法在乳腺癌早期检测中的应用，以及新的基于一致性预测的方法，旨在增加医生对算法的信任度，提高医学图像的诊断质量。

Jun, 2022