我是一名影像科研究生，我的课题是利用磁共振图像建立深度学习模型预测乳腺癌分子亚型，我在读文献过程中，遇到了一张图对我而言十分重要。因为工科知识很有限， 我想具体知道这张图是如何制作出来的。需要怎么训练模型才能得到制作这张图的数据。

U-Net深度学习模型对DCE-MRI上乳腺肿块自动分割和定位的准确性分析.pdf

U-Net深度学习模型对DCE-MRI上乳腺肿块自动分割和定位的准确性分析.pdf

乳腺癌患者CDIs图像集合：用于pCR预测的250多例数据集介绍与实践

深度学习是一种基于人工神经网络的学习方法，它能够从数据中学习到高层次的特征，用于解决包括图像识别、语音识别、自然语言处理等多个领域的复杂问题。与传统机器学习不同，深度学习不需要人工特征提取，而是通过多层神经网络自动从数据中学习特征表示。深度学习的核心是神经网络，特别是深度神经网络（DNNs），它由大量的非线性变换节点组成，形成一个层次结构。每一层的输出是下一层的输入，经过逐层传递，最后达到输出层，输出预测结果。这种层次结构使得深度学习模型能够捕捉到数据中的层次化特征，从而表现出强大的学习能力。

23、利用联邦学习实现乳腺钼靶图像隐私保护下的乳腺癌预测

本研究提出了一种基于联邦学习和卷积神经网络（CNN）的乳腺癌风险预测方法，旨在利用分布式医疗数据提升模型性能的同时保护患者隐私。通过在多个客户端上进行本地模型训练，并使用FedAvg算法聚合模型更新，实现了对乳腺钼靶图像的安全、高效分析。实验结果表明，该方法在包含6649张图像的数据集上达到了72.46%的准确率，验证了其在隐私保护前提下进行乳腺癌预测的可行性与潜力。未来可通过数据扩充、模型优化和多模态融合进一步提升性能。

基于CEDM的双模态深度学习乳腺癌诊断

本文提出一种双模式深度迁移学习（D2TL）系统，用于基于对比增强数字乳腺X线摄影（CEDM）的乳腺癌检测。该系统无需精确肿瘤分割，通过迁移学习解决小样本问题，并引入可视化技术提升模型可解释性。实验表明，D2TL在分类准确率、敏感性和特异性上均优于传统方法和现有深度学习模型，有助于提高临床诊断效率与精准度。

医学论文《基于多模态数据融合的乳腺癌生存分析》

本文探讨基于多模态影像组学联合临床特征构建的乳腺癌生存预测模型并与传统预测模型比较。回顾性收集1096例乳腺癌患者的临床及影像资料。选定T2加权像（T2WI）与动态对比增强磁共振成像（DCE-MRI）序列中第二时相的图像，聚焦于显示病灶最为显著的层面。在相应的钼靶（MG）检查图像中，精确标定感兴趣区域（ROI），对标定的ROI进行特征提取，以获取病灶的关键信息。通过Lasso进行特征降维，运用机器学习分类器构建多模态影像组学模型并选择预测性能最佳分类器建立MRI、MG影像组学模型。