提出了一个新颖的学习框架，利用多模态经直肠超声引导前列腺癌临床显著性分类，使用两个独立的 3D ResNet-50 从 B 模式和切变波弹性成像 (SWE) 中提取独特特征，同时加入注意模块以精确优化 B 模式特征并聚合两种模态提取的特征。此外，通过使用少样本分割任务增强分类编码器的能力，采用原型修正模块提取临床显著性前列腺癌代表性原型，针对 512 个经过活组织检查证实的前列腺癌 TRUS 视频进行了性能评估，结果表明了准确识别临床显著性前列腺癌的强大能力，达到了 0.86 的曲线下面积（AUC）。此外，该框架生成了视觉类别激活映射（CAM），可用于定位临床显著性前列腺癌，提高生物检查程序的效果。

Jun, 2024

为了有效识别临床显著性前列腺癌 (csPCa)，我们提出了一个利用多模态经直肠超声 (TRUS) 视频进行临床显著性前列腺癌的分类的框架。该框架利用两个 3D ResNet-50 模型从 B 模式图像和剪切波弹性成像图像中提取特征。引入了自适应空间融合模块来聚集两种模态的特征，同时使用正交正则化损失来减轻特征的冗余。在包含 512 个 TRUS 视频的内部数据集上对该框架进行评估，其在识别 csPCa 方面取得了有利的表现，AUC 为 0.84。此外，从该框架生成的视觉类激活映射 (CAM) 图像可能为 csPCa 的定位提供有价值的指导，从而促进 TRUS 引导的靶向活检。我们的代码公开在此 https 网址。

Feb, 2024

本文提出了一种基于深度学习的方法，即 MicroSegNet，用于对微型超声图像上的前列腺进行自动化、快速、准确的分割，使用了多尺度注释引导变压器 UNET 模型，可以更好地处理前列腺、膀胱和尿道的艺术品和不清晰的图像区域，取得了比现有分割方法更好的结果，还提供了代码与数据集。

May, 2023

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

通过对前列腺癌患者进行超声影像处理及诊断的综合分析，本文总结了图像处理方法在超声影像分析中的演变，并强调了其相关贡献，同时讨论了目前的挑战和未来的研究方向。

Jun, 2024

本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

May, 2023

乳腺超声在癌症诊断中起着重要作用，是一种非侵入性、具有成本效益的方法，在肿瘤定位和癌症分类任务中深度学习的发展使得许多基于 CNN 的方法被广泛研究。在本研究中，我们旨在重新设计和构建端到端多任务架构，以进行分割和分类。通过我们提出的方法，在分割任务中，使用 DeepLabV3 + 架构，实现了 79.8% 的卓越性能和时间效率达到 86.4%。

Jan, 2024

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

用深度学习方法结合卷积网络和 transformers 的多尺度方法在前列腺癌的超声图像分类中表现最佳，而多目标学习可以提高性能。

Mar, 2024

本文提出了一种利用 Doppler 效应的血管再识别模块的 DopUS-Net，用于血管病变的自动分割和血管筛选程序的实时监测，实验结果表明，这种方法可以显著提高分割结果的准确性和鲁棒性。

May, 2023