本文提出了一种联合训练的权重平均模型方法，通过利用少量器官数据集共同训练模型以实现多器官分割，该方法采用软标签以减少噪声，并通过区域遮罩进行改进，实验结果表明该方法比现有方法更优秀。

Aug, 2020

本文提出了一个新的基于模型适应和模型融合的双阶段方法，该方法利用现成的单器官分割模型来开发适用于目标数据集的多器官分割模型，从而消除了多器官分割中对有标注数据依赖的问题。实验结果表明，此方法可以有效地利用现成的单器官分割模型来获得高准确度的多器官分割模型。

Apr, 2023

本研究提出了一种动态需求网络（DoDNet），用于在仅标注部分器官和 / 或肿瘤的数据集上分割多个器官和肿瘤，通过共享编码器 - 解码器结构、任务编码模块、控制器和动态分割头来生成动态卷积滤波器，相对于现有方法，DoDNet 更加高效，代码和数据集可在链接中获得。

Nov, 2020

本文提出了一种利用形状先验知识和图像对齐模块，通过多模态数据协同分割医学图像的方法，并通过实验在 MMWHS 2017 数据集上验证了该方法在 CT 分割上的优越性。

Oct, 2020

提出了一种基于 Transformer 模型的多动态分割网络 TransDoDNet，在多个部分标记的数据集上学习器官和肿瘤的分割，并创造了一个大规模的部分标记的多器官和肿瘤分割基准 MOTS，结果表明 TransDoDNet 在七项器官和肿瘤分割任务中性能优异。

Nov, 2022

本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

Feb, 2024

UniMOS 是首个全面利用完全标注图像、部分标注图像和未标注图像的通用框架，其中包括多器官分割模块、新的目标自适应损失和用于未标注数据的半监督训练模块。实验证明，与其他先进方法相比，该框架在多个医学图像分割任务中表现出色，同时显著提高了数据利用率并降低了标注成本。

Nov, 2023

通过利用现有数据的局部或稀疏标注分割标签，我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战，实验结果表明，我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能，凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。

Nov, 2023

利用自我监督学习和对比学习的方法，在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型，旨在推进我们对对比学习框架的理解。具体而言，我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官（如肺和心脏）的超声图像以及大量的自然图像。我们的结果表明，与监督基线方法相比，传统的对比学习预训练可以提高性能。此外，我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明，预训练多器官数据可以提高下游任务的性能。

Feb, 2024

基于 CT 图像的腹部多器官分割是诊断腹部病变和后续治疗规划至关重要的一项任务。本研究提出了一种新颖的 3D 框架，通过两种一致性约束方法进行 scribble 辅助的多腹部器官分割，表明该方法优于现有的五种 scribble 辅助方法。

Sep, 2023