使用联邦学习框架中的标签修正策略，解决多发地点协作中数据隐私和标签噪声的问题，实现多发地点的合作，提高多发地点数据的可靠性，并在多发地点数据上进行广泛实验证明了方法的有效性和鲁棒性。

Aug, 2023

使用多尺度聚合模型来处理大小可变的白质高信号区域 / 损伤的分割任务，在多个数据集上的表现均优于现有的方法。

Jul, 2018

该研究采用深度学习算法中的 2D U-Net 来进行 MR 前列腺分割。通过对四个公开数据集的实验，该算法在前列腺分割中取得了较好的效果，并为未来研究者提供了标准化的实验设置。

Nov, 2020

利用 U-Net 架构开发了准确且具有泛化能力的多发性硬化症损伤分割模型，并提供了一种新颖的测试时自组合损伤融合策略，不需要进一步的修改，同时具备实例归一化，而非文献中广泛使用的批归一化，在不同扫描仪的临床测试数据上展示了良好的泛化能力。

Dec, 2023

本文提出了一种基于深度学习的方法，即 MicroSegNet，用于对微型超声图像上的前列腺进行自动化、快速、准确的分割，使用了多尺度注释引导变压器 UNET 模型，可以更好地处理前列腺、膀胱和尿道的艺术品和不清晰的图像区域，取得了比现有分割方法更好的结果，还提供了代码与数据集。

May, 2023

这篇研究论文介绍了一种基于 U-Net 的 MRI 算法，结合了残差网络和用于增强上下文信息的模块，还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率，并提升了脑肿瘤的三维重建精度，以及图像分类的效率。

May, 2024

我们提出了一种基于多领域学习的解决方案，通过使用共享卷积过滤器和领域特定批归一化层对单个卷积神经网络进行调谐，从而在不同域的数据中进行 MRI 图像结构分割，仅使用几个（约 4）标记图像就能实现性能优越。

May, 2018

本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

Jan, 2019

本文提出了一种称为增量转移学习的多站点分割框架，其中我们以端到端的序列方式从多站点数据集中学习模型，通过在每个数据集上的嵌入特征的线性组合来实现迁移，缓解了增量学习中的严重遗忘问题，适用于多站点医学图像分割。

Jun, 2022

提出了一种名为 MS-Net 的多场景网络，通过进化过程训练一种多路径稀疏模型，实现对不同场景下行人运动的预测，实验结果表明，MS-Net 在行人运动预测数据集（如 ETH 和 UCY）上优于现有的最先进方法，并在 INTERACTION 挑战中排名第二。

Mar, 2024