准确检测口腔癌对于改善患者预后至关重要。然而，在这一领域面临两个关键挑战：缺少专门针对口腔癌的深度学习图像分割研究和缺乏带注释的数据。我们的研究提出了 OCU-Net，这是一种独特设计的 U-Net 图像分割架构，专门用于检测血红蛋白和嗜酸性染色（H&E）图像数据集中的口腔癌。OCU-Net 融合了先进的深度学习模块，如通道和空间注意力融合 (CSAF) 模块，这是一种强调 H&E 图像中重要通道和空间区域并探索上下文信息的新颖特性。此外，OCU-Net 还集成了其他创新组件，如挤压激励 (SE) 注意力模块、空洞空间金字塔池化 (ASPP) 模块、残差块和多尺度融合。这些模块的结合在本研究中展现出对两个数据集的口腔癌分割的优越性能。此外，我们有效利用了高效的预训练 ImageNet 的 MobileNet-V2 模型作为 OCU-Net 的骨干网络，创建了 OCU-Netm，一个达到最先进结果的增强版本。全面评估表明，OCU-Net 和 OCU-Netm 优于现有的分割方法，在 OCDC 和 ORCA 数据集的 H&E 图像中准确识别癌细胞。

Oct, 2023

该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

Apr, 2024

本研究提出在深度学习系统中采用中心和周围抑制的 OOCS (On-center and off-center pathways) 概念，通过对高斯函数的求导计算得到各自的方差大小，在强边缘检测和具有挑战性的光照环境下，与传统模型相比，实验证明使用该模型能够提高精度和光照稳健性。

Jun, 2021

比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

Aug, 2023

本文提出一种新的方法通过采用自动上下文来利用多尺度堆叠 3D FCN 金字塔，从而提高分辨率执行语义分割。 我们在手动注释的 377 个胃手术的 CT 影像数据集上训练和验证模型，并获得近 90％的 Dice 分数。

Jun, 2018

本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化 Dice 系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

Jun, 2016

本研究采用 3D 卷积神经网络对容积式医学图像进行分割，并提出了一种新的 3D 粗到细的框架，该框架不仅有效而且高效可靠，与 2D 方法相比取得更好的效果，并在临床应用中得到了可靠性保证。

Dec, 2017

通过在多个解剖结构 (从大器官到细小血管) 的计算机断层扫描手动标记的数据上训练多分类的三维卷积神经网络，该研究展示了基于三维全卷积神经网络的医学图像语义分割的实现和鲁棒性的突破，所提出的粗略到精细的两阶段方法达到了最先进水平。

Mar, 2018

使用器官注意力网络，结合反向连接，以 2D 视图特征分割 3D CT 体积中的腹部器官。统计融合不同方向上的 2D 视图，实现准确和鲁棒的分割结果。

Apr, 2018

通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

Aug, 2022