我们提出了一种新颖的弱监督分割方法 Boundary-RL，该方法只利用补丁级别的标签进行训练。我们将分割视为边界检测问题，而不是像之前的工作那样像素级别的分类。我们的方法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，从而定位感兴趣区域的边界。我们的方法在经直肠超声图像的前列腺分割这个临床相关任务上表现出了比其他弱监督方法更好的性能。

Aug, 2023

该论文开发了一种新颖的 3D 深度神经网络，配备了注意力模块，以便更好地在 TRUS 中进行前列腺分割，通过充分利用卷积神经网络的不同层次所编码的互补信息选择性地利用来自不同层次集成的多级特征，抑制 CNN 浅层的非前列腺噪声，并在深层次中增加更多的前列腺细节。实验结果表明，该方法在具有挑战性的 3D TRUS 数据上达到了令人满意的分割性能。

Jul, 2019

近期 AI 的进展正在导致传统诊断方法的衰退，而实现端到端的诊断即将快速到来。超声图像分割是诊断过程中的重要一步，准确且稳健的分割模型加快了该过程，减轻了超声医生的负担。与以前的研究不同，我们考虑了超声图像的两个固有特征：（1）不同的器官和组织在空间尺寸上有所变化，（2）人体内部的解剖结构形成了相对恒定的空间关系。基于这两个想法，我们提出了一种新的图像分割模型，结合了 Feature Pyramid Network (FPN) 和 Spatial Recurrent Neural Network (SRNN)。我们讨论了为什么使用 FPN 来提取不同尺度的解剖结构，以及如何实现 SRNN 来提取腹部超声图像中的空间上下文特征。

Aug, 2023

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

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

本文提出了一种基于深度学习的方法，即 MicroSegNet，用于对微型超声图像上的前列腺进行自动化、快速、准确的分割，使用了多尺度注释引导变压器 UNET 模型，可以更好地处理前列腺、膀胱和尿道的艺术品和不清晰的图像区域，取得了比现有分割方法更好的结果，还提供了代码与数据集。

May, 2023

本文提出了一种将全卷积网络和循环神经网络相结合的图像序列分割算法，旨在将空间和时间信息同时纳入分割任务中，通过非刚性标签传播和指数加权损失函数的引入来解决训练中存在的挑战，实现了对人体主动脉 MRI 图像序列的高精度分割。

Aug, 2018

提出了一种 PBNet 方法，由多级全局感知模块（MGPM）和边界引导模块（BGM）组成，用于从超声图像中分割乳腺肿瘤。在 MGPM 中，建模了单层特征图中体素之间的长程空间依赖关系，然后融合了多级语义信息以提高模型对非增强肿瘤的识别能力。在 BGM 中，使用最大池化的膨胀和侵蚀效果从高级语义图中提取肿瘤边界，并利用这些边界来引导低级和高级特征的融合。通过对公开可用数据集和院内数据集进行的广泛对比实验表明，所提出的 PBNet 在定性可视化结果和定量评估指标方面优于现有的方法，Dice 分数、Jaccard 系数、特异性和 HD95 分别提高了 0.70%、1.1%、0.1% 和 2.5%。此外，割舍实验证明了所提出的 MGPM 对于区分非增强肿瘤以及 BGM 和 BS 损失对于优化肿瘤的分割轮廓也是有帮助的。

Oct, 2023

比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

Aug, 2023

本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 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。

May, 2023