使用卷积网络的深度学习方法对腹部计算机体层摄影（CT）图像中的胰腺进行分段，该方法基于分层从粗到细的本地图像区域（超像素）的分类，并通过随机森林分类器级联的两级修补程序生成初始概率响应图，最终达到了 68% 的 Dice 分数，这表明这种方法具有很大的潜力和性能优势。

Apr, 2015

本研究提出了一种基于深度学习的自动化系统，使用 3D CT 扫描实现胰腺的定位和分割来解决医学图像分析中的器官分割问题，并在公开数据集上进行了四倍交叉验证的定量评估。

Jan, 2017

本论文针对医学图像分析中的自动器官分割问题，提出了一种基于深度学习和随机森林的综合方法，通过聚合器官内部和边界的语义标签生成保边界腺体分割。在 82 个病人的 CT 扫描数据集上，我们的方法达到了 78.01% 的 Dice 相似度系数，相较于之前最先进方法的 71.8% 显著提高。

Jun, 2016

该研究提出了一种基于分层信息传播的自下而上方法，使用不同分辨率的图像块分类和级联超像素，实现了腹部 CT 扫描中胰腺分割的鲁棒自动化，并比传统多阶段法更为高效。

May, 2015

介绍了一种基于深度学习的胰腺囊肿自动分割方法，通过加入深度监督并基于合理的变换函数，将分割任务分解为不同的步骤，应用于 131 个病理样本中取得了 63.44% 的平均精度（Dice-Sørensen 系数），高于未使用深度学习方法的 60.46%。

Jun, 2017

该研究使用卷积神经网络和递归神经网络对放射学图像中的胰腺进行自动分割，以进行计算机辅助筛查和定量评估。

Mar, 2018

论文提出采用固定点模型，利用预测分割掩码来缩小输入区域，从而提高深度神经网络在腹部 CT 图像中的器官分割准确性，针对胰腺等较小的器官分割效果得到明显提升。在 NIH 胰腺分割数据集上表现出超过 4% 的优异表现。

Dec, 2016

这篇论文提出了一种结合了卷积神经网络和循环神经网络的方法，利用 LSTM 进行序列处理来解决胰腺 CT 和 MRI 扫描的精确分割问题，且提出了一种名为 Jaccard Loss 的新的分割损失函数，优化 Jaccard 指数直接达到了比 CT 和 MRI 胰腺分割的现有方法更好的效果。

Jul, 2017

通过在多个解剖结构 (从大器官到细小血管) 的计算机断层扫描手动标记的数据上训练多分类的三维卷积神经网络，该研究展示了基于三维全卷积神经网络的医学图像语义分割的实现和鲁棒性的突破，所提出的粗略到精细的两阶段方法达到了最先进水平。

Mar, 2018

本文提出一种新的方法通过采用自动上下文来利用多尺度堆叠 3D FCN 金字塔，从而提高分辨率执行语义分割。 我们在手动注释的 377 个胃手术的 CT 影像数据集上训练和验证模型，并获得近 90％的 Dice 分数。

Jun, 2018