本文提出了一种新颖的神经注意机制，采用了双注释数据集和深度学习模型来分类放射学头部计算机断层摄影报告，并使用注意力分析生成热力图以突出 CNN 模型使用的关键单词，证明该模型在医学决策等方面具有应用价值。

Aug, 2017

本文提出了一种基于 3D 注意力的 U-Net 架构，用于使用由三个非本地 MRI 卷积组合而成的单一堆叠的多模态体积进行大脑肿瘤的多区域分割。该方法通过在 U-Net 的解码器端添加注意机制来提高分割精度，从而减少了对健康组织的侧重和突出了恶性组织，提高了泛化能力并减少了计算资源。该方法在 BraTS 2021 任务 1 数据集上进行训练和评估，证明其在精度上优于其他方法。实验结果表明，该方法潜在地提高了使用多模态 MRI 数据进行大脑肿瘤分割的能力，有望为更好地理解和诊断脑部疾病做出贡献。这项工作强调了在大脑肿瘤分割中结合多种成像模式和引入注意机制以提高精度的重要性。

May, 2023

该研究提出了一种基于 T1-MRI 的新型动态结构脑网络构建方法，该方法可以动态定位关键区域并限制其层次分布，用于结构化的脑网络构建，以预测轻度认知障碍（MCI）病例的转化情况并取得最佳效果。

May, 2023

采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

Feb, 2015

我们提出了一个准确快速的分类网络，用于 MRI 图像中的脑肿瘤分类，其在准确性方面优于所有轻量级方法。我们在包含三种类型脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）的具有挑战性的 2D T1 加权 CE-MRI 数据集上测试了我们的模型。我们引入了一个 l2 归一化的空间注意力机制，在训练过程中充当了对抗过拟合的正则化器。我们将我们的结果与该数据集上的最新技术进行了比较，并显示通过将 l2 归一化的空间注意力集成到基线网络中，我们实现了 1.79 个百分点的性能提升。通过将我们的模型与预训练的 VGG16 集成在一起，可以实现更好的准确性，但会牺牲执行速度。我们的代码可在此 https URL 上公开访问。

Aug, 2023

该研究引入了一种深度学习方法，使用空间序列注意力（SSA）机制对带有精神分裂症的个体进行分类，通过结构性磁共振成像（sMRI）提取并强调重要特征表征，实验证明该注意力机制在精神分裂症分类中优于现有的压缩和激励网络。

Jun, 2024

磁共振成像（MRI）在大脑疾病诊断中起着至关重要的作用，本研究提出了一种分层知识增强的预训练框架 UniBrain，用于通用的脑 MRI 诊断，通过构建一种层次对齐机制，利用大规模数据集进行特征学习，取得了比所有最先进的诊断方法更好的性能且与专家放射科医生相媲美的表现。

Sep, 2023

基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

Mar, 2024

本研究利用静息状态功能性磁共振成像序列研究了 ADHD 受试者的自动分类，计算脑部体素活动的配对相关性，使用网络特征训练 PCA-LDA 分类器，应用图形模式特征和脑部区域做脑图像，在分类性能，尤其是使用网络长度 3 的循环图提高诊断和了解该疾病的效力。

Jun, 2023

通过高阶注意力交互机制的多重高阶注意力交互模型（MHA-UNet），我们提出了一种高度可解释的皮肤病变分割任务方法，实现了无需负样本训练的病变存在性判断，并在多个公开数据集上展示了分类和分割实验的先进性能。

Nov, 2023