本文介绍使用不同的方法估算分割质量，提出三种新的损失函数，以使训练卷积神经网络(CNN)的分割方法能直接减少 Hausdorff 距离 (HD)，这三种方法分别是基于分割边界的距离变换、真实和估计分割图的形态学腐蚀，以及在不同半径的圆形/球形卷积核上应用分割概率图，结果表明，使用这些损失函数可以使 HD 减少约 18-45% 而不会降低其他分割性能。

Apr, 2019

本文探讨了利用度量敏感损失函数训练卷积神经网络在分割任务中优于基于交叉熵损失函数的效果，特别是在关注分割性能度量指标如Dice分数和Jaccard指数时，採用度量敏感损失函数效果更好的结论。

Oct, 2020

本文介绍“医学分割十项全能赛（MSD）”的比赛举办及其结论，提出了一种方法，能够在多个任务上表现良好，同时兼顾算法的泛化性能；冠军算法的延续优异表现，验证了这个假设。

Jun, 2021

本文提出了一种简单的对比去卷积(SimCVD)框架，旨在显著提高状态-of-the-art体素级表示学习。SimCVD通过蒸馏配对相似，提升了分割准确性，可用于医学图像合成、增强和配准等下游任务中。

Aug, 2021

通过理论分析和实验验证，本文比较了在CNN训练中使用交叉熵和soft Dice两种损失函数对于具有固有不确定性任务的性能影响，发现soft Dice优化可能会引入体积偏差，从而限制了该方法在临床上的应用。

Nov, 2022

本研究以医学图像分割为背景，通过实验证明了参数置信区间与自助法估计值在不同测试集大小和性能度量传播范围下的合理性，同时揭示了相较于分类任务，医学图像分割所需的测试样本数量常常较低。

Jul, 2023

在医学成像领域，我们提出了一种用于生物医学图像分割的 PULASki 方法，它准确地捕捉多个专家注释之间的变异性，即使在小数据集中也是如此。我们的方法利用基于统计距离的改进损失函数在条件变分自动编码器结构（概率 UNet）中，对比于标准的交叉熵，改善了条件解码器的学习，特别适用于类别不平衡问题。我们分析了两个不同结构的分割任务（颅内血管和多发性硬化症（MS）损伤），并将我们的结果与四个成熟的基准方法进行了定量度量和定性输出的比较。实证结果表明 PULASKi 方法在 5% 的显著性水平下优于所有基准方法。生成的分割结果在二维情况下尤其适用于血管任务，更具解剖学可行性。我们的方法还可以应用于大范围的多标签分割任务，并且在计算流体动力学和数据同化的血液动力学建模、临床决策和治疗规划等下游任务中非常有用。

Dec, 2023

当前的医学图像分割依赖于基于区域（Dice，F1得分）和基于边界（Hausdorff距离，表面距离）的度量标准作为事实标准。本论文通过使用相对体积预测误差（vpe）来直接评估分割任务中体积预测的准确性，集成了理论分析和多样数据集的实证验证。研究发现，将体积预测准确性纳入分割评估中起到了关键作用，这使得临床医生在真实医疗场景中更准确理解分割性能，进而提升了这些度量标准的解释性和效用。

Apr, 2024

提出了两个新的距离度量，用于比较标记数组。这些度量可用于评估不同图像分割算法的准确性，通过与'ground truth'标签进行比较，从而确定哪种算法提供最准确的分割。

Jun, 2024

本研究解决了目前深度学习方法在视网膜图像中视盘和杯分割任务中存在的过度分割/不足分割问题。通过引入边缘信息并与传统的地面真实值结合，研究提出改进的U-Net架构，显著提升了分割精度，特别是在REFUGE和Drishti-GS数据集上显示出Dice分数和Hausdorff距离的显著改进，从而为青光眼及相关疾病的诊断提供了更可靠的支持。

Aug, 2024