本文介绍了使用深度卷积神经网络及数据增强和测试增强技术来提高脑肿瘤分割的准确性和不确定性估计。

Oct, 2018

本文介绍了一种用于 3D 医学图像分割的新的 Atlas 引导的测试时间自适应方法，其仅需要一个单一的未标记测试样本作为输入，并通过最小化基于 Atlas 的损失来适应分割网络。此外，与大多数现有的测试时间自适应方法不同，该方法还利用通道和空间注意块来提高测试时间的适应性，并在多个数据集上表现出了优异的性能。

Jul, 2023

本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

Oct, 2017

本研究采用多任务学习的方法解决了小型医学图像数据集训练卷积神经网络模型的挑战性问题，并通过对多个数据集进行训练，以识别不同情境下的感兴趣器官并提高模型输出的准确性和可靠性。同时，基于卷积神经网络特征图的频谱分析方法在检测测试图像的 “出域” 数据方面，表现出明显优势。

Apr, 2020

这篇研究分析了针对多发性硬化症患者图像的自动白质病变分割方法的卷积神经网络方法，重点研究了领域适应性对准确性的影响，并评估了在新领域中需要重新训练的最小图像数量和最小图层数量以获得可比较的准确性。

May, 2018

本文旨在解决在大型稀疏数据集上进行语义分割任务的挑战，提出了一种自适应采样方法和基于深度双通道卷积神经网络的算法，取得了 VISCERAL 解剖学基准测试的最新的最好结果。

Sep, 2017

本文研究使用单个卷积神经网络对不同成像模式下的医学图像进行分割的方法，实验结果表明这种方法在不同任务中具有相当的分割性能，证明了卷积神经网络结构的高容量性。因此，可以在医学实践中使用单个系统进行自动分割任务，而无需进行任务特定的训练。

Apr, 2017

通过将辅助降噪解码器纳入基本的 U-Net 结构中，我们提出了自去噪 Y-Net (DeY-Net) 这一全新方法，该方法利用自我监督学习范式以减少对源域的过拟合，提高域泛化能力，并且可以利用未标记的数据，通过进一步适应目标域和噪声污染输入的方式，我们还提出了自去噪测试时间适应 (DeTTA)。广泛的实验表明，与其他方法相比，我们的方法在广泛应用的肝脏分割基准测试中取得了显著的领域泛化改进和先进结果。

Oct, 2023

通过有选择性地调整深度神经网络中的通道，以降低对标签分布的敏感性，我们在三个分类任务中应用了这一方法，并发现它在减少其他方法的失败风险的同时，能够显著提高测试时间自适应的效果，同时对超参数的选择具有鲁棒性。

Feb, 2024

本文提出了一种基于策略梯度强化学习的超参数自动优化算法，旨在针对医学图像分割任务设计神经网络结构，并提出了一种密集连接编码器 - 解码器 CNN 作为强基线架构，结果表明该算法的计算成本低且效果显著达到了同领域最先进水平。

Jul, 2018