腹部 CT 扫描中胰腺囊肿分割的深度监督
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
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
本文提出了一种基于 ConvNets 和 CT 扫描的分层粗到细分割方法，用于自动识别和分割腹部内器官，特别是胰腺。在 82 名患者的 CT 图像上进行了交叉验证，结果表明该方法可以实现高达 83.6％±6.3％的分割准确率。
Jun, 2015
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
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
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
提出了一种混合有导师的框架（StMt），通过使用部分标记和未标记的数据进行腹部器官和肿瘤的分割。采用两阶段分割流程和基于整体体积的输入策略，以最大程度地提高分割准确性，并同时满足推断时间和 GPU 内存使用的要求。在 FLARE2023 的验证集上的实验表明，我们的方法在分割性能、速度和资源利用方面都表现优异。平均 DSC 分数为 89.79% 和 45.55%，平均运行时间为 11.25 秒，GPU 内存 - 时间曲线下的面积为 9627.82MB。
Sep, 2023
使用深度学习方法，我们提出了一种肾脏实质和肾脏异常的分割方法，以帮助临床医生识别和量化肾脏异常，如囊肿、病变、肿块、转移和原发肿瘤。我们的方法通过训练 215 例胸腹部增强 CT 扫描，其中一半扫描含有一个或多个异常，实现了肾脏异常的准确分割和肾脏实质的改进分割。最佳模型的 Dice 分数在测试集中表现优异，超过了独立人眼观察者的分数，表明计算机化方法在肾脏异常分割中有进一步改进的潜力。
Sep, 2023
我们收集了一系列来自五个中心的大规模 MRI 扫描数据集，并开发了一种名为 PanSegNet 的新的胰腺分割方法，其在交叉模态和交叉中心设置下的 Dice 系数分别达到了 88.3%（使用 CT），85.0%（使用 T1W MRI）和 86.3%（使用 T2W MRI）。
May, 2024