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

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

本研究提出一种基于 U-Net 架构的 PET-CT 肿瘤分割方法，通过先生成肿瘤外观先验图进行改进，可以得到平均 Dice 分数达到 0.701 的良好肿瘤分割结果。

Oct, 2022

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

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

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

通过对计算机断层扫描图像进行增强处理，本研究提出了一种改进的方法来检测 COVID-19，结果显示相较于同一数据集上之前的方法和其他替代方案，在切片和患者层面上，所采用的 Xception 迁移学习模型在 COV19-CT 数据库上取得了更高的验证准确性和宏 F1 分数。

Dec, 2023

提出一种新颖的 2.5D 跨切片注意力模型，利用全局和局部信息以及证据关键性损失进行证据深度学习，用于检测前列腺癌的 MR 图像，该癌症为男性常见的癌症之一，并且是导致癌症相关死亡的主要原因之一。在两种不同数据集上广泛实验，取得了前列腺癌的最先进检测性能，并改善了确定性不确定性估计。

Jul, 2024

利用 Spatial-Slice 特征学习 (SSFL++) 框架和 Kernel-Density-based 切片采样 (KDS) 方法，专门针对 CT 扫描，提高模型的适应性和稳定性，通过减少冗余提取关键空间切片进行分析，实验结果表明即使只使用 1％的训练数据，也能够使用简单的 EfficientNet-2D (E2D) 模型取得良好的性能，该方法在提供的 COVID-19-CT-DB 数据集上进行了验证。

Apr, 2024

通过 Siamese CNN 方法，应用于 PSMA PET/CT 扫描，成功实现了多发性病灶的追踪，该方法在预测治疗结果方面表现出潜力。

Jun, 2024