本文介绍了使用级联的全卷积神经网络和密集的3D条件随机场来自动分割CT腹部图像中的肝脏和病变的方法，实现了对肝脏和病变的语义分割，其Dice分数超过94％，每个体积计算时间低于100秒。
Oct, 2016
该论文利用级联全卷积神经网络自动进行肝脏和肝脏病变的分段，以实现高质量的医学影像分析和临床诊断。论文结果表明，其分割结果和计算时间均较为准确和快速。
Feb, 2017
本研究采用一种基于深度残余网络 (ResNet) 的肝脏病变分割方法，通过级联ResNet架构和多尺度融合生成更精确的边界定义，该方法在 ISBI 2017 肝脏瘤分割挑战中获得第四名。
Apr, 2017
利用深度卷积神经网络，以2.5D方式对肝脏CT图像进行分割，并在130个LiTS训练数据集上进行训练，在70个测试CT扫描上取得了平均Dice分数0.67，时隔ISBI2017会议后获得了该领域的第一名。
提出了一种用于计算机断层扫描（CT）图像中肝脏和肝脏病变联合分割的模型，该模型利用两个全卷积网络并置并端对端联合训练；在2017年MICCAI肝肿瘤分割挑战赛中，我们的方法在多种评估指标上达到了竞争性的肝脏和肝脏病变检测与分割分数，不同于其他表现优秀的方法，我们的模型不需要使用外部数据，并提出了一个简单的单阶段模型进行端到端的训练。然而，我们的方法几乎达到了顶尖的病变分割性能，并在保持高召回率的情况下实现了第二高的病变检测精度。
Jul, 2017
本文使用卷积神经网络从计算机断层扫描中分割肝脏及其损伤部位，并通过检测器本地化损伤，提高了分割网络的准确性。
Nov, 2017
开发了一个二阶段的肝癌检测管道，其中高灵敏度探测算法在第一阶段发现尽可能多的病变提议，而第二阶段的病变重新分类算法则尽可能删除尽可能多的虚警。
Jun, 2023
提出了一种名为Pixel-Lesion-pAtient Network (PLAN)的新型框架来解决肝脏肿瘤的筛查、分割和分类问题，同时利用大规模多相数据集进行测试，结果表明其优于常见的卷积神经网络和transformers，并接近于资深人类放射科医生的表现。
Jul, 2023
本研究通过对四种神经网络架构（UNet、SegResNet、DynUNet 和 SwinUNETR）在PET/CT图像中进行淋巴瘤病变分割的全面评估，并在多种机构的611个病例的多样化数据集上进行训练、验证和测试。利用内部测试和未见的外部测试集，评估了分割准确性、临床相关性和算法的稳定性。
Nov, 2023
通过在多个阶段运用神经网络进行多相计算机断层扫描，结合分割模型和单相训练，我们的方法在肝脏病变分割性能上取得了1.6%的改进，并降低了8%的主体间性能差异。
Apr, 2024