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

用于提高超声波计算机断层扫描图像重建的新型技术，通过神经算子实现快速波动模拟，进而加速全波形反演过程，以促进近实时超声波计算机断层扫描图像重建的临床应用。

Dec, 2023

我们提出了一种多任务深度学习方法 ProsDectNet，用于在 B 超成像中定位前列腺癌，通过最小化熵以改善模型性能，减少误报预测。在 MRI-TRUS 融合针刺活检的 289 名患者中训练和验证 ProsDectNet，然后在另外 41 名患者上进行测试，结果显示 ProsDectNet 在 B 超成像中检测前列腺癌的敏感性为 74％，特异性为 67％。我们的研究表明 ProsDectNet 有潜力用作计算机辅助诊断系统，以改善针刺活检和治疗规划。

Dec, 2023

本研究提出了使用深度学习方法从超声信号中估算声速的方法，通过在仿真数据集上训练全卷积神经网络，能够精确地估算出与文献报道一致的声速值，从而提高脉冲回波超声成像的精度和可靠性。

Feb, 2023

乳腺超声在癌症诊断中起着重要作用，是一种非侵入性、具有成本效益的方法，在肿瘤定位和癌症分类任务中深度学习的发展使得许多基于 CNN 的方法被广泛研究。在本研究中，我们旨在重新设计和构建端到端多任务架构，以进行分割和分类。通过我们提出的方法，在分割任务中，使用 DeepLabV3 + 架构，实现了 79.8% 的卓越性能和时间效率达到 86.4%。

Jan, 2024

提出了一个新颖的学习框架，利用多模态经直肠超声引导前列腺癌临床显著性分类，使用两个独立的 3D ResNet-50 从 B 模式和切变波弹性成像 (SWE) 中提取独特特征，同时加入注意模块以精确优化 B 模式特征并聚合两种模态提取的特征。此外，通过使用少样本分割任务增强分类编码器的能力，采用原型修正模块提取临床显著性前列腺癌代表性原型，针对 512 个经过活组织检查证实的前列腺癌 TRUS 视频进行了性能评估，结果表明了准确识别临床显著性前列腺癌的强大能力，达到了 0.86 的曲线下面积（AUC）。此外，该框架生成了视觉类别激活映射（CAM），可用于定位临床显著性前列腺癌，提高生物检查程序的效果。

Jun, 2024

为了有效识别临床显著性前列腺癌 (csPCa)，我们提出了一个利用多模态经直肠超声 (TRUS) 视频进行临床显著性前列腺癌的分类的框架。该框架利用两个 3D ResNet-50 模型从 B 模式图像和剪切波弹性成像图像中提取特征。引入了自适应空间融合模块来聚集两种模态的特征，同时使用正交正则化损失来减轻特征的冗余。在包含 512 个 TRUS 视频的内部数据集上对该框架进行评估，其在识别 csPCa 方面取得了有利的表现，AUC 为 0.84。此外，从该框架生成的视觉类激活映射 (CAM) 图像可能为 csPCa 的定位提供有价值的指导，从而促进 TRUS 引导的靶向活检。我们的代码公开在此 https 网址。

Feb, 2024

文章对乳腺癌的检测进行了探究，提出了一种基于离散小波变换、傅里叶变换和朴素贝叶斯分类器的方法，在分析乳腺 X 线摄影图像的统计特征的基础上，实现了高准确率的乳腺癌检测。

Jan, 2022

本文提出了一种利用 Doppler 效应的血管再识别模块的 DopUS-Net，用于血管病变的自动分割和血管筛选程序的实时监测，实验结果表明，这种方法可以显著提高分割结果的准确性和鲁棒性。

May, 2023

本文提出了一种名为 XTransCT 的新型 Transformer 架构，可从二维 X 光图像中实时重建 CT 图像，该方法在图像质量、结构可靠性和普适性方面优于其他方法，并且可以在重建 3D 图像的同时实现约 300％的速度提高。

May, 2023