通过从乳腺癌中进行迁移学习，我们研究了在 T2 加权图像中改善临床意义前列腺癌预测的方法，结果显示在 leave-one-out 交叉验证准确性中取得了超过 30% 的显著提升。

May, 2024

使用多种深度学习模型和多参磁共振成像技术对前列腺癌进行分类和分割，在各种度量指标上表现出优异的性能。

Oct, 2023

用深度学习方法结合卷积网络和 transformers 的多尺度方法在前列腺癌的超声图像分类中表现最佳，而多目标学习可以提高性能。

Mar, 2024

通过结合多参数磁共振成像、前列腺成像报告与数据系统以及对比损失函数，提高了公开 PI-CAI 挑战数据集上的病变检测的 AUC 值。

Aug, 2023

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

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

本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

May, 2023

提出一种新颖的 2.5D 跨切片注意力模型，利用全局和局部信息以及证据关键性损失进行证据深度学习，用于检测前列腺癌的 MR 图像，该癌症为男性常见的癌症之一，并且是导致癌症相关死亡的主要原因之一。在两种不同数据集上广泛实验，取得了前列腺癌的最先进检测性能，并改善了确定性不确定性估计。

Jul, 2024

本文提出了一种基于不确定性引导的逐渐学习方案，通过将不确定性作为逐步训练的 GAN 的注意力图，逐步生成逼真的图像，并将其应用于 PET 到 CT 转换、MRI 重构和运动伪影校正等三个医学图像翻译任务中，实现了良好的性能提升。

Jun, 2021

基于多个 T2w 方向的多流方法在医学影像数据中的无监督的离群分布检测应用于前列腺癌症状检测，并取得了比单一方向方法更好的检测效果（AUC：73.1 对比 82.3），表明了 MRI 在前列腺癌症状检测中无监督的离群分布检测的潜力。

Aug, 2023