使用器官注意力网络，结合反向连接，以 2D 视图特征分割 3D CT 体积中的腹部器官。统计融合不同方向上的 2D 视图，实现准确和鲁棒的分割结果。

Apr, 2018

本文提出了一种用于连续器官和肿瘤分割任务的创新结构，包括一系列轻量级的、类特定的输出头，以及将对比语言 - 图像预训练嵌入到器官特定的头中。实验结果表明该方法在学习过程中提高了基线神经网络对新引入和先前学习类别的分割性能。

Jun, 2023

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

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

利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

Mar, 2024

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

本文提出了一种联合训练的权重平均模型方法，通过利用少量器官数据集共同训练模型以实现多器官分割，该方法采用软标签以减少噪声，并通过区域遮罩进行改进，实验结果表明该方法比现有方法更优秀。

Aug, 2020

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