通过 3D 和 2D 网络的交叉教学，我们提出了一种从稀疏注释中稳健学习的框架，采用硬 - 软置信度阈值和一致标签融合两种伪标签选择策略，实验证明我们的方法优于半监督分割方法的最先进成果，并且与全监督的上限结果相媲美。

Jul, 2023

本文提出了一种新颖的方法，利用 2D 网络对不同视角进行器官分割训练，并构建一个 3D 立体融合网络（VFN）来融合 2D 分割结果，VFN 相对较浅，包含的参数比大多数 3D 网络少，从而使得我们的框架更加高效，我们提出了一个名为交叉增强的新颖策略，最终在多个具有挑战性的腹部器官上验证了我们的框架在分割准确性和稳定性上优于现有的 2D 和 3D 方法。

Apr, 2018

本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化 Dice 系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

Jun, 2016

本文提出了一种基于 3D 少样本学习的器官分割框架，通过学习支撑数据的 2D 片段与查询图像之间的关系，包括一个学习编码特征的双向门控循环单元（GRU），以及在使用任意支撑和查询数据之前通过迁移学习方法更新模型来适应目标图像和器官的特征。在三个 3D CT 数据集上测试，该模型的性能显著优于最先进的少样本分割模型，并且与使用更多目标训练数据训练的完全监督模型相当。

Nov, 2020

本文提出了一种名为 V-NAS 的网络结构搜索方法，它可以自动判断不同情况下选择 2D、3D 或 Pseudo-3D 卷积层，该方法在医学图像分割任务中很好地表现，在 3 个公共数据集上进行评估，分别为 NIH 胰腺数据集、来自医学分割十项全能挑战的肺和胰腺数据集， 无论是正常器官（NIH 胰腺）还是异常器官（MSD 肺肿瘤和 MSD 胰腺肿瘤），V-NAS 都明显优于其他先进技术，而且该搜索到的网络结构可以很好地推广到其他数据集中，并且具有鲁棒性和实用性。

Jun, 2019

本文提出了一种新型的混合密集连接 UNet（H-DenseUNet）用于肝脏和肿瘤分割，该方法采用 2D DenseUNet 和 3D UNet 相结合的方式提取内部切片特征和聚合体积下的层次上下文信息，并通过混合特征融合（HFF）层联合优化模型。在 MICCAI 2017 肝肿瘤分割（LiTS）挑战数据集和 3DIRCADb 数据集上的评估表明，我们的方法在肿瘤分割结果上表现优于其他技术，而在单模型下，甚至可以取得具有一定竞争力的肝脏分割性能。

Sep, 2017

建立了一种深度学习方法，探索了稀疏标注，即每个 3D 训练 MR 图像只有一个 2D 切片进行标注，与 ICT 相比，该方法在分割准确性方面取得了显著提升，对于前列腺分割，平均 B-IoU 增加了 10.0% 以上（提出的方法 B-IoU：70.3% vs. ICT B-IoU：60.3%），对于左心房分割，平均 B-IoU 增加了 6.0% 以上（提出的方法 B-IoU：66.1% vs. ICT B-IoU：60.1%）。

Dec, 2023

提出了一种利用正交标注和稠密 - 稀疏共训练的半监督学习方法来应对 3D 医学图像分割中的标注问题。实验结果表明，该方法在表现和效率上都具有较高的水平。

Mar, 2023

该研究旨在通过上下文嵌入学习方法增强二维卷积神经网络以更好地进行三维图像分割，结果表明该方法能够有效利用层间上下文信息并提高分割性能。

Apr, 2024

为了解决 3D 卷积神经网络在医学影像识别中时间和计算效率低的问题，本文提出将体数据转化为 2D 超级图像，使用 2D 网络用于分割任务，具有实用价值和吸引更多相关研究的意义。

May, 2022