该论文开发了一种新颖的 3D 深度神经网络，配备了注意力模块，以便更好地在 TRUS 中进行前列腺分割，通过充分利用卷积神经网络的不同层次所编码的互补信息选择性地利用来自不同层次集成的多级特征，抑制 CNN 浅层的非前列腺噪声，并在深层次中增加更多的前列腺细节。实验结果表明，该方法在具有挑战性的 3D TRUS 数据上达到了令人满意的分割性能。

Jul, 2019

通过使用生成对抗网络（GAN）技术，我们开发了一个名为 3DGAUnet 的新型 GAN 模型，用于合成胰腺导管腺癌（PDAC）肿瘤和胰腺组织的逼真的三维 CT 图像，以提高 PDAC 的形状和纹理学习，从而增强了 PDAC 肿瘤的准确性和早期检测的能力。

Nov, 2023

使用对抗学习的算法开发的可自动生成皮肤病变掩膜的 EGAN 算法，可应用于皮肤癌病变的计算机辅助诊断，其精度比当前最先进的基于皮损分割的方法高出 2% 的 Dice 系数，1% 的 Jaccard 相似度，和 1% 的准确度。

May, 2023

通过对 EG3D 的三平面空间的探索和演示，本研究提供了一个集成框架，用于实现高质量的基于参考的三维感知图像编辑，并通过创新的流程在三维感知图像编辑方面呈现出独特的视角。

Apr, 2024

在医疗保健中，高效的息肉分割在早期诊断结直肠癌方面起着关键作用。本文提出了一种专门用于结肠镜图像中的息肉分割的多尺度边缘引导注意力网络（MEGANet）。该网络通过融合经典的边缘检测技术和注意力机制，有效地保留了高频信息，尤其是边缘和边界，从而解决了背景分布复杂、息肉大小和形状变化多样以及界限不清等挑战。实验结果表明，MEGANet 在五个基准数据集上优于现有的其他方法，代码可在 https://github.com/DinhHieuHoang/MEGANet 获取。

Sep, 2023

本文提出使用对抗网络结合全卷积神经网络进行语义分割，提高在小型数据集上的患有侵袭性前列腺癌的 MRI 图像的分割准确性。

Feb, 2017

本研究提出了一种基于 U-Net 的深度学习方法，利用加性和特征金字塔注意力模块对 MRI 图像中的前列腺区域进行分割，可以改进前列腺癌的检测和诊断工作流程。该模型与七种不同的基于 U-Net 的架构进行了比较，并通过 Dice Score (DSC) 和 Intersection over Union (IoU) 评估了每个模型在中央区域 (CZ)、外周区域 (PZ)、转换区域 (TZ) 和肿瘤区域的自动分割性能。该提出的方法在测试集中实现了平均 DSC 为 84.15% 和 IoU 为 76.9%，在本研究中的大多数模型中表现优异，仅次于 R2U-Net 和注意力 R2U-Net 架构。

Sep, 2023

通过提出的 DEA 模型，我们可以实现对病理图像上的腺体进行准确自动的分割，帮助病理学家诊断结直肠腺癌的恶性程度。实验证明，我们的方法在两个公共数据集 GlaS 和 CRAG 上的表现优于其他腺体分割方法。

Jan, 2024

提出了一种新型的注意力门模型，可自动学习聚焦各种形状和大小的目标结构，在卷积神经网络模型中集成可以提高模型灵敏度和预测准确性并加速计算，应用于医学图像分类和分割任务中可提高模型预测性能并改进其启发机制。

Aug, 2018

该研究提出了一种新颖的关注门（AG）模型，用于医学图像处理，提高了 U-Net 模型的预测准确性和计算效率。

Apr, 2018