自闭症谱系障碍是一种典型的大脑发育异常，导致社交技能、交流能力、重复行为和感觉处理方面的障碍。本研究开发了一种以大脑 MRI 白质为重点的计算机辅助诊断模型，采用放射学和机器学习方法，结合多个机器学习模型（如支持向量机、随机森林、逻辑回归和 K 近邻算法）进行自闭症预测，预测准确率均超过 80%。此外，我们还应用卷积神经网络分析分割后的白质图像，实现了 86.84% 的预测准确率，其中支持向量机表现最佳，达到 89.47% 的预测准确率。这些发现不仅突出了模型的效能，还建立了白质异常与自闭症之间的联系。本研究为自闭症的各种诊断模型提供了全面的评估，并引入了一种基于 MRI 白质区域的早期客观自闭症诊断的计算机辅助诊断算法。

May, 2024

研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

Sep, 2023

通过对多参数 mpMRI 扫描图片（T1w，T1wCE，T2w 和 FLAIR）进行二分类，RSNA-MICCAI 脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的 MGMT 生物标记物状态。我们使用的数据集分为三个主要组：训练集、验证集（在训练中使用），以及仅在最终评估期间使用的测试集。图像可以是 DICOM 格式或 Png 格式。我们尝试了不同的架构，包括三维版本的 Vision Transformer（ViT3D）、ResNet50、Xception 和 EfficientNet-B3，以研究这个问题。我们使用 AUC 作为主要评估指标，在测试集上，ViT3D 模型和 Xception 模型分别达到了 0.6015 和 0.61745 的优势。与其他结果相比，我们的结果在这个复杂的任务中证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集，可以进一步提高。

Jan, 2024

通过多中心、回顾性分析研究，发现基于术前磁共振成像特征的放射性治疗后预测脑转移瘤局部失败的相关指标，可为进一步个体化放射治疗策略提供潜在的治疗相关信息。

May, 2024

本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

Jan, 2018

使用联邦学习框架中的标签修正策略，解决多发地点协作中数据隐私和标签噪声的问题，实现多发地点的合作，提高多发地点数据的可靠性，并在多发地点数据上进行广泛实验证明了方法的有效性和鲁棒性。

Aug, 2023

2022 年缺血性卒中病灶检测和分割的集成算法能对扩散加权磁共振成像 (DWI) 图像进行准确分析，与专家相媲美，并具有临床应用的潜力。

Mar, 2024

通过结合多参数磁共振成像、前列腺成像报告与数据系统以及对比损失函数，提高了公开 PI-CAI 挑战数据集上的病变检测的 AUC 值。

Aug, 2023

通过结合全脑定量磁共振成像（qMRI）、卷积神经网络（CNN）和解释性方法，提出了一种全新的综合方法 GAMER-MRIL，用于分类具有严重残疾的多发性硬化（MS）患者，并调查相关的病理性脑变化。

Aug, 2023

临床实践中，MRI 扫描与放射科医师的诊断往往存在显著的延迟，甚至对于严重病例也是如此。我们提出了一种自动脑部 MRI 筛查工具，演示了它在检测类肿瘤病理方面的能力。这是通向强大的多病理筛查解决方案的第一个版本。该工具支持联邦学习，使多个机构能够在不公开其私人数据的情况下贡献模型。

Nov, 2023