该研究采用深度学习算法中的 2D U-Net 来进行 MR 前列腺分割。通过对四个公开数据集的实验，该算法在前列腺分割中取得了较好的效果，并为未来研究者提供了标准化的实验设置。

Nov, 2020

评估了不同的卷积神经网络（CNN）对 MRI 序列是否含有恶性病变进行可靠分类的能力，训练和评估了 3D 图像数据的 ResNet、ConvNet 和 ConvNeXt 实现，并使用不同的数据增强技术、学习率和优化器进行训练。最佳结果由 ResNet3D 获得，平均精确率为 0.4583，AUC ROC 得分为 0.6214。

Apr, 2024

本文介绍了基于卷积神经网络（CNNs）构建自动化流程，用于检测临床意义的前列腺癌（PCa）的给定轴向 DWI 图像，并为每个患者进行检测。检测性能在受试患者中获得了 0.87 的接收器操作特征曲线下面积（AUC）（95％置信区间（CI）：0.84-0.90），在切片级别和患者级别分别为 0.84（95％CI：0.76-0.91）。

May, 2019

本研究提出了一种基于深度学习的模型用于对磁共振成像（MRI）扫描中的脑肿瘤进行分类和分割。该模型通过 EfficientNetB1 体系结构进行图像分类，基于 U-Net 体系结构进行精确的肿瘤分割，并在公共数据集上得到了高准确率和分割度量，表明它们在脑肿瘤的诊断和治疗中具有可能的临床应用价值。

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

本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。

Apr, 2023

该论文提出了一个基于机器学习的系统，通过 MRI 图像协助医疗专业人员进行大脑肿瘤的分类和诊断。该系统快速、安全，且能提供大量的患者信息，包括肿瘤的大小、位置和严重程度等。研究结果表明，该系统准确率高、高效且易于使用。

Apr, 2023

本文提出了一种用于翻译未配对的前列腺 mp-MRI 图像以分类有临床意义的前列腺癌的新方法，通过培训在低数据大小的数据限制性环境中使用的证据深度学习方法的模型来改善性能和预测不确定性。

Jul, 2023

通过使用未标注图像和基于病灶位置的半监督学习模型，可以改善前列腺病变检测，降低标注负担。

Jun, 2024

利用自我监督深度神经网络（DNN）对前列腺癌（PCa）的 VERDICT 模型进行参数估计，首次实现了复杂的三室分生物物理模型的无监督学习，相比传统方法具有更高的估计准确性、减少的偏差以及更高的癌变组织鉴别置信水平。

Sep, 2023