为了有效识别临床显著性前列腺癌 (csPCa)，我们提出了一个利用多模态经直肠超声 (TRUS) 视频进行临床显著性前列腺癌的分类的框架。该框架利用两个 3D ResNet-50 模型从 B 模式图像和剪切波弹性成像图像中提取特征。引入了自适应空间融合模块来聚集两种模态的特征，同时使用正交正则化损失来减轻特征的冗余。在包含 512 个 TRUS 视频的内部数据集上对该框架进行评估，其在识别 csPCa 方面取得了有利的表现，AUC 为 0.84。此外，从该框架生成的视觉类激活映射 (CAM) 图像可能为 csPCa 的定位提供有价值的指导，从而促进 TRUS 引导的靶向活检。我们的代码公开在此 https 网址。

Feb, 2024

我们提出了一种多任务深度学习方法 ProsDectNet，用于在 B 超成像中定位前列腺癌，通过最小化熵以改善模型性能，减少误报预测。在 MRI-TRUS 融合针刺活检的 289 名患者中训练和验证 ProsDectNet，然后在另外 41 名患者上进行测试，结果显示 ProsDectNet 在 B 超成像中检测前列腺癌的敏感性为 74％，特异性为 67％。我们的研究表明 ProsDectNet 有潜力用作计算机辅助诊断系统，以改善针刺活检和治疗规划。

Dec, 2023

通过对前列腺癌患者进行超声影像处理及诊断的综合分析，本文总结了图像处理方法在超声影像分析中的演变，并强调了其相关贡献，同时讨论了目前的挑战和未来的研究方向。

Jun, 2024

该论文开发了一种新颖的 3D 深度神经网络，配备了注意力模块，以便更好地在 TRUS 中进行前列腺分割，通过充分利用卷积神经网络的不同层次所编码的互补信息选择性地利用来自不同层次集成的多级特征，抑制 CNN 浅层的非前列腺噪声，并在深层次中增加更多的前列腺细节。实验结果表明，该方法在具有挑战性的 3D TRUS 数据上达到了令人满意的分割性能。

Jul, 2019

用深度学习方法结合卷积网络和 transformers 的多尺度方法在前列腺癌的超声图像分类中表现最佳，而多目标学习可以提高性能。

Mar, 2024

本文提出了一种用于翻译未配对的前列腺 mp-MRI 图像以分类有临床意义的前列腺癌的新方法，通过培训在低数据大小的数据限制性环境中使用的证据深度学习方法的模型来改善性能和预测不确定性。

Jul, 2023

磁共振成像（MRI）是诊断和分期前列腺癌的关键工具，但也产生了大量数据，必须由经过训练的专家评估，这是一项耗时且繁琐的任务。因此，已经开发了基于多种 MRI 模态（T2W、ADC 和高 b 值 DWI）的前列腺癌（PCa）风险分类自动化的机器学习工具。然而，理解和解释模型的预测仍然是一个挑战。本研究分析了随机森林（RF）和支持向量机（SVM）在两个互补数据集上的表现，即公共 Prostate-X 数据集和一个内部的大部分为早期 PCa 的数据集，以阐明一阶统计特征、Haralick 纹理特征和局部二进制模式对分类的贡献。通过相关性分析和 Shapley 影响力得分，我们发现许多通常使用的特征之间存在强相关性，并且大多数特征对分类几乎没有影响。我们确定了一小组决定分类结果的特征，这可能有助于开发可解释的 AI 方法。

Jun, 2024

本文旨在将 B 模式和 CEUS 模式超声视频相结合，提出一种新的多模式超声视频融合网络，用于肾肿瘤的检测和分类，并在多中心数据集上进行了实验验证。实验结果表明，该方法优于竞争方法并提高了肿瘤诊断的准确率。

Jul, 2023

本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

May, 2023

使用多种深度学习模型和多参磁共振成像技术对前列腺癌进行分类和分割，在各种度量指标上表现出优异的性能。

Oct, 2023