本文研究利用基于深度学习的自动三维分割方法识别肾脏肿瘤并自动量化其形态，提供 210 多个样本的训练集和约 90 个样本的测试集。

Dec, 2019

本文介绍 2021 年肾脏和肾脏肿瘤分割挑战 (KiTS21) 的挑战报告，该挑战目的是针对医学图像计算和计算机辅助干预领域的肾肿瘤分割进行不断改进和提高，以提供有用的见解。

Jul, 2023

探索了在 CT 图像中精确分割肾脏、囊肿和肾肿瘤的各种 3D U-Net 训练配置和有效后处理策略，并通过 2023 肾脏和肾肿瘤分割（KiTS23）挑战数据集的验证，在未见过的测试数据上取得了第二名的最终排名，平均 Dice 系数为 0.820，平均 Surface Dice 系数为 0.712。

Dec, 2023

KiTS 2023 挑战是一个平台，让研究人员比较他们对三维 CT 图像的分割解决方案。本研究描述并使用 MONAI 中的自动化分割工具 Auto3DSeg 参与挑战，我们的解决方案平均 Dice 系数为 0.835，表面 Dice 系数为 0.723，排名第一并赢得了 KiTS 2023 挑战。

Oct, 2023

本研究提出了一种基于卷积神经网络的肾和肾肿瘤分割方法，通过设计边界分支和边缘感知损失函数，可靠地从腹部 3D CT 扫描中分割肾脏和肾肿瘤，并在 2019 MICCAI KiTS 肾肿瘤分割挑战数据集上实现了出色的分割效果。

Sep, 2019

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

研究中采用 2.5D ResUnet 构建一个高效的粗到细语义分割框架，对 CT 扫描中的肾脏、肾脏肿瘤和肾囊肿进行自动分割。实验结果表明，肾脏、肿瘤和囊肿的 Dice 系数分别为 0.954、0.792、0.691，表面 Dice 系数分别为 0.897、0.591、0.541，平均每个 CT 扫描的推断时间为 20.65 秒，最大 GPU 内存为 3525MB，这表明在模型性能和效率之间取得了更好的平衡。

Nov, 2023

本文介绍了一种新颖的框架，可以明确捕捉肾脏中的突出区域，以实现对肾脏肿瘤的更好分割，并在公开的 KiTS19 数据集上进行了评估。实验结果表明，与 3D-UNet 相比，该方法在 NCCT 图像上实现了更高的 Dice 得分（0.615 + 0.097）和敏感性（0.721 + 0.103）。据我们所知，这是第一个专门设计用于 NCCT 图像上的肾脏肿瘤分割的深度学习方法。

Dec, 2023

该研究提出了一种基于扩散模型、Transformer 模块和 RCNN 的无锚点实例分割模型，能有效识别肾脏活检中的肾小球、肾小管和动脉，成为新的最先进方法，达到了 51.7% 的检测准确率。

Sep, 2023

实施和训练深度学习模型以从非对比度 CT 扫描中分割肾脏和囊性肾病变，该模型能够提供高度准确的分割，肾脏的中值 Dice 相似系数为 0.934。

May, 2024