该文章介绍了一种新的自定义特征剪辑规范化技术，用于前列腺肿瘤分割。通过在nnU-Net框架下使用多个U-Net变种和不同的规范化方案进行评估，结果显示新剪辑技术预处理后，U-Net模型性能提升。

我们提出了一种基于不确定性引导的分层自训练框架，通过熵基于局部峰值滤波的高效主动样本选择来聚合全局不确定性和多样性感知的冗余滤波，在交叉中心前列腺MRI分割数据集上取得显著进展，与全监督学习相当。

本文提出了一个两阶段的特征注入框架 CriDiff，其中包括 Crisscross Injection Strategy (CIS) 和 Generative Pre-train (GP) 方法，用于前列腺分割。CIS 通过高效地利用高和低级特征的互补性来最大化多级特征的使用。通过 CIS 中的两个并行条件器：边界增强条件器 (BEC) 和核心增强条件器...

这项研究设计了一个CNN-RNN架构和一个定制的训练-推理框架，用于解决腹腔镜手术行动识别中的挑战。通过使用堆叠的循环层和帧采样策略，实现了消除内容扭曲和动作识别中的变异的效果。实验证实该方法在动作识别方面优于静态CNN。

该文介绍了一种半自动前列腺磁共振图像分割方法，用于前列腺放射性治疗的导航系统。该方法基于磁共振检查组成的人群计算的解剖图谱的配准，并采用混合配准框架，用于解剖图谱的构建和配准。该方法的平均误差为3.39毫米，标准差为1.95毫米，可能对临床医生的常规定量图像分析非常有帮助。

本文介绍了联邦学习在医学图像分析中的最新发展，包括隐私保护和协作学习问题的处理，总结了现有的联邦学习方法，并提供了基准医学图像数据集和软件平台的回顾，同时进行了实验以评估联邦学习方法在医学图像分析中的应用。

该研究提出了一种基于 U-Net 的深度学习方法，利用加性和特征金字塔注意力模块对 MRI 图像中的前列腺区域进行分割，可以改进前列腺癌的检测和诊断工作流程。该方法在测试集中实现了平均 DSC 为 84.15% 和 IoU 为 76.9%，表现优异。

该研究提出了一种基于半监督学习的医学图像分割方法，利用深度学习不确定性估计模型生成伪标签标注数据，自动选择最佳的伪注释，实现了在医学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。

我们提出了一种新颖的弱监督分割方法Boundary-RL，只利用补丁级别的标签进行训练。通过使用基于预训练边界存在分类器的奖励来训练一个控制器函数，定位感兴趣区域的边界。在前列腺分割任务上，我们的方法表现出比其他弱监督方法更好的性能。

本文介绍了一种基于U-Net的tU-Net网络，利用未经注释的多视图数据改善前列腺分割。该方法提高了分割准确度，同时在缺少视图时具有灵活性。

该研究使用深度学习和卷积神经网络预测健康人群的大脑年龄，并建立其作为大脑衰老过程个体差异性的生物标志物的资格。预测模型在灰质或白质参数地图上准确度极高，具有可靠性和遗传学效度，可用于评估大脑老化的生物标志物，并在临床现场准确生成预测，提供大脑健康信息。