应用基于转换器的模型进行训练，研究论文中介绍了在计算机断层扫描中腹部多器官分割的重要性以及深度学习方法在此方面的应用。尽管由于器官边界模糊、复杂的背景和不同器官尺度的挑战，单个网络精确分割不同器官仍然具有挑战性。先前的竞赛中基本上所有前五名的方法都使用了基于卷积神经网络的方法，与此相对，本研究中使用基于转换器的模型，并以竞赛中的大量样本为基础，展示了转换器模型在腹部多器官分割中的可行性及结果表现。

Sep, 2023

使用深度学习方法，我们提出了一种肾脏实质和肾脏异常的分割方法，以帮助临床医生识别和量化肾脏异常，如囊肿、病变、肿块、转移和原发肿瘤。我们的方法通过训练 215 例胸腹部增强 CT 扫描，其中一半扫描含有一个或多个异常，实现了肾脏异常的准确分割和肾脏实质的改进分割。最佳模型的 Dice 分数在测试集中表现优异，超过了独立人眼观察者的分数，表明计算机化方法在肾脏异常分割中有进一步改进的潜力。

Sep, 2023

提出了一种混合有导师的框架（StMt），通过使用部分标记和未标记的数据进行腹部器官和肿瘤的分割。采用两阶段分割流程和基于整体体积的输入策略，以最大程度地提高分割准确性，并同时满足推断时间和 GPU 内存使用的要求。在 FLARE2023 的验证集上的实验表明，我们的方法在分割性能、速度和资源利用方面都表现优异。平均 DSC 分数为 89.79% 和 45.55%，平均运行时间为 11.25 秒，GPU 内存 - 时间曲线下的面积为 9627.82MB。

Sep, 2023

介绍了 AMOS 数据集，用于细分包含多个器官的腹部 CT/MRI 图像，并对该数据集上使用的多种深度学习模型进行了基准测试。

Jun, 2022

利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

Mar, 2024

深度学习在腹部多器官分割方面取得了巨大的进展，但在边缘情况和复杂器官上的鲁棒性仍然是一个具有挑战性的问题。为了调查模型的鲁棒性，我们收集并注释了 RAOS 数据集，包括 413 名患者的 413 个 CT 扫描，涵盖了诊断 / 放疗、部分切除和完全切除三个临床组。该数据集可以作为评估模型鲁棒性的潜在基准，并提供了一些在公共数据集中很难获取的器官。我们对几种最先进的方法在这三个临床组中进行了基准测试，评估了性能和鲁棒性，并评估了 RAOS 与三个公共数据集之间的交叉泛化能力。该数据集和综合分析为未来鲁棒性研究提供了一个潜在的基准。

Jun, 2024

本文介绍了机器学习在人腹部器官分类中的应用，通过分析深度学习模型在肝脏和全部器官的单模态（CT / MR）和异模态任务上的性能表现，在多个任务中有不同表现。

Jan, 2020

提出了一种名为 MRISegmentator 的 T1 加权腹部 MRI 序列的自动、准确和可靠的 62 个脏器和结构的分割工具，具有加速疾病诊断、放射治疗和异常检测等临床研究的潜力。

May, 2024

本文提出一种有效的多器官分割标注方法，并使用三个独特属性，减少标注成本达到高质量标注结果，并总结了人工智能算法和标注者共同的错误分类学，以便为医学影像任务创建更大规模的数据集提供连续的改进。

May, 2023

本文提出了一种用于连续器官和肿瘤分割任务的创新结构，包括一系列轻量级的、类特定的输出头，以及将对比语言 - 图像预训练嵌入到器官特定的头中。实验结果表明该方法在学习过程中提高了基线神经网络对新引入和先前学习类别的分割性能。

Jun, 2023