这项研究开发了一个快速高效的三阶段级联深度学习模型，用于从 PET 图像中自动检测和分割 DLBCL 肿瘤，并验证了其可行性和准确性。

Mar, 2024

通过结合多个病灶的成像信息和交叉注意力模块，利用临床和影像数据，发展了一种基于图神经网络的计算机辅助方法，用于识别需要个体化治疗的高风险患者。在 583 名患者的私人前瞻性多中心数据集上训练和评估，实验结果表明，我们的提出方法在 2 年无进展生存（PFS）分类准确性上优于基于临床、成像或临床和成像数据的传统监督方法。

Oct, 2023

LAS-Net 在评估多时间点成像数据集中，取得了对 PET 指标的高度性能，凸显了纵向认知的价值。

Apr, 2024

本文提出了一种用于精确肿瘤分割的定位到分割框架 (L2SNet)，通过定位潜在病变并利用位置信息对分割结果进行塑形，在 MICCAI 2023 全身 FDG-PET/CT 挑战数据集上取得了具有竞争力的结果，并在预备测试集中排名前 7 方法之一。

Sep, 2023

本研究提出一种新的深度学习模型训练策略，用于构建能够对肿瘤进行系统分割的 PET/CT 肿瘤分割模型，该方法基于 AutoPET 2022 挑战赛的训练集进行验证，并在预测试集上实现了 0.7574 的 Dice 分数、0.0299 的假阳性体积和 0.2538 的假阴性体积，代码已在链接中提供。

Aug, 2022

该研究介绍了将深度学习应用于放射治疗中的高级治疗：全骨髓和淋巴结照射（TMLI）中，通过 nnU-Net 框架发展了 2D 和 3D U-Net 模型，对 PTV 进行分割，实现了显著的改善。

Feb, 2024

本研究通过对四种神经网络架构（UNet、SegResNet、DynUNet 和 SwinUNETR）在 PET/CT 图像中进行淋巴瘤病变分割的全面评估，并在多种机构的 611 个病例的多样化数据集上进行训练、验证和测试。利用内部测试和未见的外部测试集，评估了分割准确性、临床相关性和算法的稳定性。

Nov, 2023

通过视觉变换器为高分辨率 WSI 从研究多模态分类器训练的 DLBCL（弥漫性大 B 细胞淋巴瘤）癌症亚型提出了一个前景恶劣，比现有的替代方法更便宜，更快速。

Aug, 2023

癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

Apr, 2024

提出了一种适用于基于 CT 扫描模型的轻量级升级的参数高效多模态适应（PEMMA）框架，以将 PET 扫描纳入其中，通过将注意力权重进行低秩适应（LoRA）实现参数高效调整，同时最小化交叉模态耦合，使单一模态下训练和更新联合模型成为可能，并且在仅训练单一模态时，在可训练参数仅为 8% 的情况下，实现了与早期融合技术相当的结果，并在 PET 扫描的平均 Dice 分数上取得了显著的 + 28% 改善。

Apr, 2024