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

介绍了 Cancer-Net BCa，这是一个包含 253 例临床前乳腺癌患者 CDI$^s$ 成像数据的多机构开放数据集，可用于通过机器学习加速癌症诊断和治疗的全球开源倡议。

Apr, 2023

优化后的 CDI$^s$ 与扩散加权成像（DWI）融合的多参数 MRI 技术，可对乳腺癌病理完全缓解进行准确预测，交叉验证的准确性达到 93.28%，比之前报道的结果高出 5.5%。

May, 2024

在癌症领域的机器学习和成像研究中，我们推出了首个用于前列腺癌的 CDI$^s$ 成像数据的开源基准数据集，该数据集由来自 200 例患者的 CDI$^s$ 体积图像组成，并包含完整的注释信息，旨在帮助世界各地的临床医生对抗癌症。

Nov, 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

利用语义扩散模型生成高保真度肺部 CT 图像扩充数据集，并在肺结节检测和定位任务中展现了优异性能。

May, 2023

人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性 / 特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

Dec, 2023

使用深度学习技术，结合人工病理学家的诊断结果，实现对淋巴结活检全滑片图像中转移性乳腺癌的自动检测，能够在提高病理诊断准确性方面发挥重要作用。

Jun, 2016

本文介绍了一种基于扩散模型的远程感知高光谱图像变化检测方法，结合语义相关性扩散模型和交叉时序对比学习机制，利用丰富的未标定样本获得不变的光谱差异特征在三个数据集上的实验表明，该方法在准确性、kappa 系数和 F1 值等方面都优于最先进的无监督方法，同时可以跟需要大量注释样本的全监督方法达成可比较的结果。

May, 2023

使用生理分解 DWI 的机器学习模型 PD-DWI，结合临床数据预测乳腺癌患者的病理完全缓解反应，具有比传统机器学习方法更高的预测精度，可用于减少 mp-MRI 采集时间和消除对比剂注射的需求。

Jun, 2022