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

在癌症领域的机器学习和成像研究中，我们推出了首个用于前列腺癌的 CDI$^s$ 成像数据的开源基准数据集，该数据集由来自 200 例患者的 CDI$^s$ 体积图像组成，并包含完整的注释信息，旨在帮助世界各地的临床医生对抗癌症。

Nov, 2023

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

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

本研究旨在探究通过减少采集平均数和使用一种被命名为引导噪声卷积神经网络（DnCNN）的方法，对前列腺扩散加权成像（DWI）进行加速。结果表明，相较于使用传统的 DnCNN，使用引导 DnCNN 可以产生结构相似度指数和峰值信噪比更高、规范化均方误差更低的去噪图像，并且 ADC 值与参考 ADC 值达成了很好的一致性，因此这种加速前列腺 DWI 的方法在技术上是可行的。

Jun, 2020

利用生成对抗网络技术对前列腺病变 MRI 图像进行合成，采用 DCGAN 训练网络并探讨了潜在的表示方式。

Aug, 2017

基于心脏磁共振成像的深度学习解决方案在疾病诊断和预后方面的进展受到高度不平衡和有偏训练数据的阻碍。为了解决这个问题，我们提出了一种通过基于敏感属性（如性别、年龄、体重指数和健康状况）生成合成数据来缓解数据集中固有的不平衡问题的方法。我们采用基于去噪扩散概率模型的 ControlNet，以从患者元数据组合的文本和从分割掩模中导出的心脏几何形状为条件，使用大群体研究（具体是英国生物库）进行训练。通过使用已建立的定量度量评估生成图像的真实性来评估我们的方法。此外，我们进行了一个下游分类任务，旨在通过模拟生成样本来纠正少数族群中的不平衡问题，从而消除分类器的偏见。我们的实验证明了所提方法在缓解数据集不平衡方面的有效性，例如缺乏年轻患者或正常 BMI 水平的心力衰竭患者。这项工作代表了采用合成数据开发公平且具有普适性的医学分类模型的重要一步。值得注意的是，我们的所有实验都是使用一块普通消费级 GPU 进行的，以突出我们在资源受限环境下的可行性。我们的代码可在此 https URL 中获得。

Mar, 2024

通过多条件潜在扩散模型实现了动态对比增强磁共振成像的时间序列图像合成，提出了基于 Frechet 放射学距离的医学图像质量评估方法，并展示了深度学习在对比动力学模拟中的潜力。

Mar, 2024

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

通过模拟前列腺的典型生理变形并生成独特病变形状，我们提出了一种新的解剖学感知变形方法，将其应用于数据增强以增加训练集中器官和肿瘤形状的多样性，从而提高计算机辅助诊断系统对前列腺癌的检测效果。

Sep, 2023