本研究提出了一种新型三维卷积神经网络模型SFR，旨在有效预测体外受精牛胚胎的可转移性，验证了其在生物学任务中的有效性和准确性。

本研究提出了一种新颖的脑信号解码技术，通过预测DINOv2模型的图像嵌入，将fMRI信号解码为图像字幕，并作为GPT-2语言模型的前缀，从而显著降低计算需求。同时，采用三维卷积神经网络更好地考虑体素位置信息，提升大脑解码的精度和效率。

本文介绍了一种基于三维卷积神经网络的级联模型，用于多发性硬化患者的白质病变分割。该方法在多个数据集上表现优于其他技术，强调了领域适应性和时间差异对分割准确性的影响，展示了其在临床应用中的潜力。

本文介绍了一种名为SSCNet的端到端三维卷积神经网络，旨在通过单视图深度图实现场景的三维体素表示和语义标签。该网络采用扩张的三维上下文模块进行高效学习，实验结果显示其在语义场景完成任务上优于传统方法。此外，文中还提到基于几何信息的策略和2D图像标注训练3D模型等改进方法，在公共基准测试中表现出色。

本研究提出DenseVoxNet，一种新型三维卷积神经网络，能够有效分割心脏和大血管。该网络通过最大化信息流和特征重用，显著提升医疗应用性能。研究还探讨了多种深度学习方法在心脏MRI图像分割中的应用，展示了其在准确性和鲁棒性方面的优势。

本研究提出了一种基于三维卷积神经网络和双重注意力模块的阿尔茨海默病分类模型。该模型在ADNI数据库上训练，MCI进展分类准确率为91.94%，阿尔茨海默病分类准确率为96.30%。模型在AIBL和OASIS1数据集上的准确率分别为86.37%和83.42%，显示出良好的泛化能力。

本文提出了一种基于三维卷积神经网络和双重注意力模块的重现性模型，用于阿尔茨海默病分类。该方法在ADNI数据库上训练并在AIBL和OASIS1两个独立数据集上验证，准确率达到91.94％和96.30％，具有良好的泛化能力。

本研究提出了一种结合三维卷积神经网络与长短期记忆网络的模型，用于对运动想象 - 电子脑接口信号进行分类。实验结果表明该模型在运动想象任务领域取得了更高的分类准确度和F1值，对用户的运动想象意图的分类准确度有较大的提升。