采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

Feb, 2015

基于多阶段深度学习及多图谱分割，提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割，无需标记数据进行训练，达到了与 nnU-Net 相似性能和推断时间。

Jul, 2023

通过模板训练方法，使用一种人口平均脑 MRI 模板和相关分割标签，从头开始训练 3D U-Net 模型，在视觉感知增强和减轻过拟合的基础上，实现对鼠、大鼠、印度狨猴、恒河猴和人类脑 MRI 进行头骨去除、脑分割和组织概率映射等分割任务的训练，有效解决数据有限的问题，扩展深度学习在图像分析中的应用，为研究人员提供了仅需一张图像样本即可训练深度神经网络的统一解决方案。

Aug, 2023

本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。

Apr, 2023

本文提出了一种数据增强方法，使用 3D 变分自动编码器分析图像形变分布并生成新的 MRI 图像，以帮助改进仅利用极少标记数据的医学影像分割性能，同时还建立了一种新的标准分割基准来进一步评估模型的泛化能力。

Feb, 2021

3D 医学图像分割是一个具有重要意义的挑战性任务，最近深度学习的进展极大地增强了完全监督的医学图像分割，然而，这种方法严重依赖于费力费时的完全注释的地面实况标签，特别是对于 3D 体积。为了克服这个限制，我们提出了一种新颖的概率感知弱监督学习流程，专门针对 3D 医学成像。我们的流程整合了三个创新的组成部分：一种基于概率的伪标签生成技术，用于从稀疏注释合成密集分割掩模，一种用于我们概率变换网络中强大特征提取的概率多头自注意网络，以及一种基于概率的分割损失函数，以增强具有注释置信度的训练。展示了显著的进展，我们的方法不仅能与完全监督的方法性能相媲美，而且在 CT 和 MRI 数据集上超越了现有的弱监督方法，对于某些器官的 Dice 得分实现了高达 18.1％的提升。代码可在此网址获得：https://URL

Mar, 2024

本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

Mar, 2022

该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

Apr, 2024

本文研究了两种预训练方法（回归损失和对比损失）对深度学习模型在磁共振成像下的肝脏分割和前列腺分割应用中的效果，并发现自我监督预训练减少了标记数据的需求，且基于对比损失的预训练的初始化效果更好。

May, 2022

该论文研究利用新的数学和优化方法来解决基于深度学习的医学图像分割方法在图像获取协议和图像解剖变异性方面的限制，以减少需要手动标记成本高昂的问题。

May, 2023