比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

Aug, 2023

通过在混合和原始样本的跨区域整合证据预测结果，重分配每个体素的置信度和不确定度度量，结合信息熵设计了体素级渐进学习策略以更加准确地估计体素的预测结果。实验结果表明，我们提出的方法在 LA、胰腺 CT、ACDC 和 TBAD 数据集上相对于现有技术取得了卓越的性能。

Apr, 2024

CSA-Net 是一个灵活的 2.5D 分割模型，通过创新的 Cross-Slice Attention (CSA) 模块，能够处理任意数量切片的 2.5D 图像，以有效地捕捉 3D 空间信息，并利用自注意机制理解中心切片中像素之间的相关性。在三个 2.5D 分割任务中，CSA-Net 在多类别脑部 MRI 分割、二元前列腺 MRI 分割和多类别前列腺 MRI 分割中表现优异，超过了领先的 2D 和 2.5D 分割方法，展示了其有效性和优越性。

Apr, 2024

本文介绍了一种基于多视图关注学习的新型方法 MuVAL 用于卵巢癌的残余疾病预测，致力于通过综合学习 3D 计算机断层扫描图像的多视图信息来提高预测效果，与现有的深度学习方法相比，它表现出更好的性能。

Jun, 2023

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

本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

May, 2023

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

在放射治疗剂量预测领域，我们应用了一种名为深度证据学习的不确定性量化框架，通过使用 Open Knowledge-Based Planning Challenge 数据集的医学影像，我们发现该模型可以有效地产生与预测误差相关的不确定性估计，在网络训练完成后仅经过重新构建原始损失函数以实现稳定实现。实验结果表明，深度证据学习相对于 Monte-Carlo Dropout 和 Deep Ensemble 方法，能够更线性地根据不确定性阈值变化的中位误差，与模型误差均匀校准的敏感性。同时，我们发现对于加入高斯噪声的 CT 强度，与表征数据噪声的 aleatoric 不确定性表现出更显著的分布变化。总的来说，我们的研究结果表明深度证据学习是一种有前景的方法，可以为放射治疗剂量预测的深度学习模型提供统计稳健性，我们还展示了如何使用这种模型构建预测的剂量体积直方图的置信区间。

Apr, 2024

通过训练具有不同输入类型和训练策略的 ResNet-18 网络，本研究比较了用于淋巴瘤 PET/CT 图像的自动切片分类的不同模型性能，发现使用只包含 PET 切片的网络输入和患者级切片训练方式的 CAG 训练策略是性能最佳的模型，并使用二元分类指标进行了性能比较。

Mar, 2024

本文提出了一种基于注意力机制的多实例学习模型，用于幻灯片级别癌症分级和弱监督区域兴趣检测，并在前列腺癌中进行了实验，其利用可视化显著性图来选择信息瓷砖，提高了细粒度等级分类的性能。

May, 2019