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

本文介绍了一种简单而强大的医学图像分割方法，该方法将Fully Convolutional Networks（FCNs）与Fully Convolutional Residual Networks（FC-ResNets）相结合，并利用可训练的预处理对低容量FCN模型进行标准化，以获得多模态医学图像的高精度分割结果。

Feb, 2017

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

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。

Apr, 2017

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

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

本文介绍了一种将残差通路与反卷积和激活操作相结合的 U-Net 架构，用于肝和肝癌的自动分割，进而提高肝癌放疗任务的效率。在 LiTS 2017 数据集上，经验证明这种改进的 U-Net（mU-Net）优于现有的最先进网络。

Oct, 2019

本论文研究将联合学习和迁移学习两种方法结合运用于肝脏病变分割和分类问题上，在医学影像应用中，由于目标数据集通常非常小，迁移学习可以提高特征学习的效果，而联合学习对于提高网络的泛化和鲁棒性更为有效。

Apr, 2020

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