一种新的基于中心的深度对比度度量学习方法用于儿童脑 MRI 的多微裂管理测
本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑 MRI 中的病变检测，通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。通过在包含脑肿瘤检测的多模态 MRI 扫描的 BRATS2020 基准数据集上进行的详尽实验，证明了我们方法与当前方法相比的良好性能。
May, 2024
本文提出了一种新的基于 3D 深度学习框架的脑部小出血检测方法，不仅可以检测 CMBs，还可以确定它们在脑部的解剖位置，以此显著降低假阳性率并提高检测灵敏度。
Jun, 2023
本研究使用生成对抗网络（GAN）通过 Progressive Growing 技术生成 256x256 大小的 MRI 图像，结合传统数据增强技术可以有效地提高脑肿瘤检测的性能及在医学成像任务中的应用。
Mar, 2019
利用机器学习计算法，针对阿尔茨海默病 （Alzheimer's disease）采用多模式生物标志物来帮助早期诊断。其中，最近研究的高斯判别分析（GDA）方法用于分类阿尔茨海默病的效果更加有效和准确，特别是对轻度认知障碍的早期诊断具有重要意义。可以通过采取全局特征提取模型，显著提高早期阿尔茨海默病诊断的性能比采用局部特征提取方法更好。
Dec, 2017
准确分割点状白质病变是相关发育障碍的及时诊断和治疗的基础，本文提出了一种结合反事实推理和脑组织分割辅助任务的深度学习框架（DeepPWML），通过学习点状白质病变的细粒度定位和形态学表示来实现精确的定位和分割。
Sep, 2023
该研究旨在发展一种新型的循环引导去噪扩散概率模型（Cycle-guided Denoising Diffusion Probability Model，CG-DDPM），用于跨模态 MRI 合成，并使用 BraTS2020 数据集定量评估。该方法在 MRI 合成中具有很高的准确性，并与几种现有最先进的网络进行了比较，证明了合成 MRIs 的图像质量的显著改进。该方法增强了当前多模态 MRI 合成方法的能力，为患者的更精确诊断和更好的治疗规划做出贡献。
Apr, 2023
研究使用颅内膜瘤的 MR 数据，提出了一种新的基于金字塔梯度的类激活图方法（PG-CAM）来检测肿瘤，该方法使用密集连接的编码器 - 解码器网络（DC-FPN）作为骨干结构，并提取捕获肿瘤层次特征的多尺度 Grad-CAM。在验证集上，PG-CAM 提供了比 Grad-CAM 高 23％的定位精度。
May, 2018
该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。
Jan, 2024
本文提出了一种基于 ProtoPNet 的神经网络模型，即 MProtoNet，用于处理 3D mpMRI 数据并实现脑肿瘤分类。该模型引入了一种新的注意力机制，结合软化掩膜和在线 CAM 损失函数，在没有人工标签的情况下显著提高了正确性和定位一致性的解释度指标。
Apr, 2023