介绍了 Cancer-Net BCa，这是一个包含 253 例临床前乳腺癌患者 CDI$^s$ 成像数据的多机构开放数据集，可用于通过机器学习加速癌症诊断和治疗的全球开源倡议。

Apr, 2023

通过引入一种解剖条件控制的潜在扩散策略，我们探索了潜在扩散对于生成逼真的前列腺 DWI 数据的有效性。经验结果表明，我们提出的 Cancer-Net PCa-Gen 策略通过可控的肿瘤位置和更好的解剖和纹理保真度提高了多样性前列腺图像的合成。这些关键特性使其非常适合增加真实患者数据，从而使神经网络能够在更多样化和全面的数据分布上进行训练。

Nov, 2023

通过使用 Nelder-Mead simplex 优化策略，本研究探索了调整计算中的相关扩散成像（CDI$^s$）系数以实现乳腺癌肿瘤识别，显示出最佳的受试者工作特性曲线下面积（AUC），优于黄金标准模态 0.0044，同时查明优化后的 CDI$^s$ 模态比未优化的 CDI$^s$ 模态具有高于 0.02 的 AUC 值，彰显了为特定肿瘤应用优化 CDI$^s$ 指数的重要性。

May, 2024

本研究利用基于综合相关扩散成像的体积深度放射组学方法建立了一个预测 Scarff-Bloom-Richardson（SBR）分级的计算机诊断模型，结果显示与常规成像方法相比，该方法更加精准，减少了病人的痛苦和费用成本。

Apr, 2023

利用体积深度放射特征从合成相关扩散成像（CDI$^s$）预测乳腺癌分级的最新研究结果表明，非侵入性方法在乳腺癌分级中有巨大潜力，该论文通过使用优化的 CDI$^s$ 改善乳腺癌分级来受到了启发。将优化后的 CDI$^s$ 信号与扩散加权成像（DWI）融合，为每位患者创建多参数 MRI，在更大的患者队列上进行训练，通过在预训练的 MONAI 模型的所有层进行训练，我们实现了 95.79% 的留一交叉验证准确性，比先前报道的高出 8%。

May, 2024

优化后的 CDI$^s$ 与扩散加权成像（DWI）融合的多参数 MRI 技术，可对乳腺癌病理完全缓解进行准确预测，交叉验证的准确性达到 93.28%，比之前报道的结果高出 5.5%。

May, 2024

人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性 / 特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

Dec, 2023

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

利用语义扩散模型生成高保真度肺部 CT 图像扩充数据集，并在肺结节检测和定位任务中展现了优异性能。

May, 2023

这项数据整理工作介绍了诊断性乳腺 MRI 检查中获得的首个大规模径向 k - 空间和 DICOM 数据的乳腺 DCE-MRI 数据集。我们的数据集包括指示患者年龄、更年期状态、病变状态（阴性、良性和恶性）以及每个病例的病变类型的案例级标签。该数据集及其重建代码的公开可用将支持快速和定量的乳腺图像重建和机器学习方法的研究和发展。

Jun, 2024