这项数据整理工作介绍了诊断性乳腺 MRI 检查中获得的首个大规模径向 k - 空间和 DICOM 数据的乳腺 DCE-MRI 数据集。我们的数据集包括指示患者年龄、更年期状态、病变状态（阴性、良性和恶性）以及每个病例的病变类型的案例级标签。该数据集及其重建代码的公开可用将支持快速和定量的乳腺图像重建和机器学习方法的研究和发展。

Jun, 2024

利用动态对比增强磁共振成像 (DCE MRI) 和表观弥散系数 (ADC) 图，本研究提出了一种模型来预测乳腺癌患者的病理完全缓解 (pCR)，利用深度学习和放射组学特征提取，相较于其他基准方法，我们的模型在预测 pCR 方面表现出优越性能。

Jun, 2024

通过学习静态图像和动态视频的特征，并探索两种模态之间的潜在关系，我们提出了一种模拟放射科医生诊断过程的多模态乳腺肿瘤诊断模型，在在融合多模态特征之前，将动态视频特征在专业放射科医生指导下聚合。在 897 套乳腺超声图像和视频的数据集上进行实验证实，我们的模型提高了良性 / 恶性分类的性能，AUC 达到 90.0%，准确率为 81.7%。

Aug, 2023

本研究介绍了使用深度学习构建的计算机辅助诊断 (CAD) 技术，基于 Contrast Enhanced Spectral Mammography (CESM) 图像，通过神经网络识别乳腺恶性病变和进行分类，前期数据的结果证明最终模型在乳腺癌诊断上有很高的可行性。

Jul, 2022

利用体积深度放射特征从合成相关扩散成像（CDI$^s$）预测乳腺癌分级的最新研究结果表明，非侵入性方法在乳腺癌分级中有巨大潜力，该论文通过使用优化的 CDI$^s$ 改善乳腺癌分级来受到了启发。将优化后的 CDI$^s$ 信号与扩散加权成像（DWI）融合，为每位患者创建多参数 MRI，在更大的患者队列上进行训练，通过在预训练的 MONAI 模型的所有层进行训练，我们实现了 95.79% 的留一交叉验证准确性，比先前报道的高出 8%。

May, 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

本研究介绍了一种使用深度神经网络进行心脏动态对比增强磁共振成像的动态质量控制技术，通过引入一种新的时空不确定性度量指标来可靠地检测失败的分割结果，并通过与人工专家的合作改进分割结果，从而提高 DCE-CMRI 图像的 Dice 系数并减少分割失败的图像数量。该方法为动态 CMRI 数据提供了一种有效的人机协同分析框架，有助于临床解读和报告动态 CMRI 数据。

Aug, 2023

本研究利用基于综合相关扩散成像的体积深度放射组学方法建立了一个预测 Scarff-Bloom-Richardson（SBR）分级的计算机诊断模型，结果显示与常规成像方法相比，该方法更加精准，减少了病人的痛苦和费用成本。

Apr, 2023

本文提出了一种计算机辅助自动乳房 X 线摄影分析系统，其中包含三个连续的图像处理、特征选择和图像分类阶段，可以有效分类正常或癌症，实验证明该系统可以提高分类性能。

Dec, 2020

本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。

Jul, 2017