Nsima Inyang通过非传统训练方法增强力量和灵活性，强调逐步回归训练以避免受伤，并结合呼吸提高表现。他的目标是让人们在不依赖器械的情况下重新感受身体的力量。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

我们提出了一种名为SP-DiffDose的模型，结合SwinTransformer和投影器技术，提高放射治疗剂量分布预测的准确性。该模型通过多尺度条件扩散过程，将噪声和解剖图像映射到剂量分布图。评估结果显示，SP-DiffDose在内部数据集上优于现有方法，特别是在危险器官剂量预测方面表现出色。

个性化决策需要了解不同处理方法的结果及其置信区间。研究提出wTCP-DR方法，在隐性混淆下提供反事实结果的置信区间，解决观测与干预分布间的协变量转移问题。理论和实验表明该方法在覆盖率和效率上优于现有方法，适用于推荐系统等场景。

本研究提出了一种新的低剂量PET图像重建方法，使用鲁棒核表示显式建模深层潜在空间特征，在未见的剂量减少因子下表现出色。

本研究使用深度学习模型将无结构图像转化为结构化图形，并开发了一种名为DoseGNN的剂量图神经网络模型，用于预测剂量体积直方图（DVH）。与其他DL模型相比，DoseGNN模型在预测上取得了较好的效果，并能与临床医生进行自然语言交互，实现治疗计划的调整。

本文介绍了一种新颖的对比平衡表示学习网络（CRNet），用于预测个体对不同治疗剂量的潜在反应。该网络通过学习协变量表示来估计异质剂量响应曲线，同时保持治疗剂量的连续性。实验证明，该方法在预测效果上优于之前的方法。

利用深度强化学习设计了一个可解释的华法林剂量方案，该方案采用了近端策略优化方法结合策略蒸馏，并引入了 Action Forging 作为一种有效工具，研究结果显示该模型易于理解和部署，并且优于基线剂量算法。

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...

基于评分的生成模型在医学图像重建任务中展现出潜力，但在PET图像重建中的应用尚未广泛探索。为了解决PET图像重建中的挑战，提出了针对PET的评分生成模型的改进框架，适用于2D和3D PET，并通过使用磁共振图像进行引导重建的扩展。通过实验验证了该方法的稳健性和PET重建改进潜力。

光子计数计算机断层扫描（PCCT）是医学影像学中的创新技术，能解决空间分辨率、噪声干扰和对比噪声比等问题。PCCT在乳腺细微异常检测方面有显著效果，可结合深度学习和放射组学特征进行数据处理。尽管相关文章数量有限，但PCCT在临床层面的整合有潜在好处，可应用于各种诊断应用。

本文利用深度学习方法解决了对比增强和图像合成的挑战，提取和增强对比信号，回避噪声和伪影，实现了标准剂量之外的图像合成。同时，根据物理参数对模型进行条件化，并在多个数据集上验证了方法的有效性。

介绍了多维统一的Swin Transformer（MDU-ST）模型，用于肿瘤病灶的3D分割。通过自我监督的先验任务和微调学习病灶解剖学模式，在内部数据集上表现出显著改进。可用于自动化的3D病灶分割，辅助放射组学和肿瘤生长建模研究。