肺部影像的自动分割主要是数据多样性问题，而非方法问题
利用深度学习方法实现肺叶分割，在一个手动标注的数据集上测试所提出的方法，通过设计一个混合损失函数来解决类别失衡问题，并在独立数据集上进行了测试，取得了比基线模型高达 5.87% 的表现。
Mar, 2019
本研究评估深度学习解决方案在 X 射线图像的肺部分割方面的可靠性和高准确性，对 61 篇研究论文进行分析，只有九篇提供了实施或预训练模型，最终评估 CE-Net 表现最佳，其 Dice 相似系数和交集比例度量值最高。
Apr, 2024
COVID-19 大流行病反应凸显了深度学习方法在通过计算机断层扫描 (CT) 对肺部疾病的正常和异常组织进行自动分割方面的潜力，这些方法不仅有助于临床决策，还有助于理解新型疾病。为了解决手动分割大型 CT 数据库的繁重性质，我们使用多态训练优化了一个网络，以表示多个分层解剖结构，间接优化了更复杂的标签。我们结合来自不同来源的 6000 多个不同格式的手动和自动标签的 CT 扫描，使用多任务学习和多态训练开发了 MEDPSeg，一种用于单向预测肺部、气道、肺动脉和肺病变分割的端到端方法。我们在多个目标中取得了最先进的性能，特别是在地面玻璃浑浊度和病变分割方面，这是一个具有有限手动注释可用性的具有挑战性的问题。此外，我们提供了一个开源实现，具有图形用户界面的链接：https:// 此处为 URL。
Dec, 2023
癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。
Apr, 2024
最近对患者特定胸部手术规划和仿真的兴趣日益增加，要求从自动医学影像分割算法中高效、稳健地创建数字解剖模型。深度学习（DL）现在在各种放射学任务中处于领先地位，U 型 DL 模型在医学影像分割方面表现出色，自 2D UNet 的诞生以来已经有很多 U 型模型的变体。目前，尚缺乏对这些模型进行系统的基准研究，尽管最近大规模多标签数据库的发展为该领域提供了机会。我们首次对 3D U 型模型的变体（3DUNet，STUNet，AttentionUNet，SwinUNETR，FocalSegNet 以及一种新的带有四种变体的 3D SwinUnet）进行了基准研究，其重点是基于 CT 的胸部手术解剖分割。我们的研究系统地考察了不同注意力机制、分辨率级别数量和网络配置对分割准确率和计算复杂度的影响，并进行了与最近的其他基准研究的交叉参考，包括对 BTCV 腹部结构分割的性能评估。在 STUNet 排名首位的情况下，我们的研究证明了用于所研究任务的基于 CNN 的 U 型模型的价值，以及在网络配置设计中使用剩余块以提高分割性能的好处。
Feb, 2024
我们提出了一个分割模型 (DRU-Net)，可以提供人类非小细胞肺癌的分割，以及可以改善分类结果的增强方法。该模型是截断预训练 DenseNet201 和 ResNet101V2 的融合组合，作为基于补丁的分类器，随后使用轻量级 U-Net 作为修正模型。我们使用了两个数据集 (Norwegian Lung Cancer Biobank 和 Haukeland University Hospital lung cancer cohort) 来创建我们的模型。DRU-Net 模型的平均 Dice 相似性系数为 0.91。所提出的空间增强方法 (多镜头扭曲) 使网络性能提高了 3%。我们的研究结果表明，选择包含感兴趣区域的图像补丁相对于其他采样方法，在基于补丁的分类器方面能够取得更好的结果。定性分析显示，DRU-Net 模型在肿瘤检测方面通常是成功的。在测试集中，一些情况显示出假阳性和假阴性分割区域，特别是在伴有炎症和反应性变化的肿瘤中。
Jun, 2024
本研究提出了一个端到端的基于深度学习的自动化框架，用于在低资源环境下实现肺结节的早期检测和分类，并对其进行了评估，结果表明在分割和检测精度方面超过了现有研究，并证明在肺癌筛查方面具有潜在的准确性和效率提高。
Apr, 2023
该研究旨在比较深度学习模型与自动算法以及放射科医师的表现，以及评估该算法在异质数据集中的稳健性，结果显示深度学习模型在肺癌筛查方面表现出色，并且具有良好的泛化性，在肺癌恶性评估中比普遍接受的模型表现更好，在肺癌筛查比赛中的表现也优于其他 state-of-the-art 算法。
Apr, 2018
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
基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。
Mar, 2024