本研究提出了一种新颖的分析方法，通过整合多种成像生物标志物，提高早期阿尔茨海默病（AD）的诊断准确性。研究发现，放射组学和纹理特征是最有效的预测指标，强调了传统生物标志物在深度学习中的重要性。

本研究开发了一种新图像标记方法，通过分析1373个放射组学特征，利用SVM分类器预测新辅助化疗反应。该方法采用无监督关键点检测和条件金字塔式注册网络，精确量化乳腺肿瘤变化，验证了其在肿瘤体积保持和病理完全缓解预测中的有效性，对临床医生和计算机系统具有重要价值。

RadiomicsFill是一种基于放射组学特征的合成肿瘤生成器，能够生成多样且逼真的肿瘤，并微调特征。该模型结合生成对抗网络和多任务学习，推动医学成像研究。2023年11月，VinDr-Mammo数据集用于乳腺癌检测，包含5000个乳腺X射线检查图像。此外，研究提出了多模态神经架构搜索方法，以提高软组织肉瘤的预测可靠性。

光子计数计算机断层扫描（PCCT）是一项创新技术，解决了传统医学影像的空间分辨率和噪声问题。文章综述了PCCT在临床前研究中的应用，特别是在乳腺细微异常检测方面的优势，并探讨了结合深度学习和放射组学特征的研究，尽管文献有限，但PCCT在诊断应用中展现出潜在好处。

本文介绍了一种新的多维统一的 Swin Transformer (MDU-ST) 模型，用于 3D 病灶分割。该模型通过自我监督的先验任务利用大量未标记的 3D 病灶体积来学习 Swin-transformer 编码器中病灶解剖学的潜在模式，并通过微调来适应 2D 和 3D 输入。该网络的性能通过 Dice 相似系数 (DSC) 和 Hausdorff 距离 (HD) 在一个内部的 3D 病灶数据集上进行评估，表现出显著改进。该方法可用于进行自动化的 3D 病灶分割以辅助放射组学和肿瘤生长建模研究。

本研究提出了一种新模型，称为多维统一的Swin Transformer (MDU-ST)，用于3D病灶分割。该模型通过自我监督的先验任务利用大量未标记的3D病灶体积来学习Swing-transformer编码器中病灶解剖学的潜在模式，并在同一编码器中学习相应的语义信息。该方法可用于进行自动化的3D病灶分割以辅助放射组学和肿瘤生长建模研究。该网络的性能通过Dice相似系数(DSC)和Hausdorff距离(HD)在一个内部的3D病灶数据集上进行评估，其中包含来自多个解剖位置的593个病灶。