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

该论文介绍了一个大规模的腹部 CT 器官分割数据集 AbdomenCT-1K，其中包括来自 12 个医疗中心的 1000 多个 CT 扫描，并指出现有的分割方法在不同医疗中心、不同阶段和看不见的疾病上存在一定的局限性，提出了用于此类数据的四个器官分割基准以及针对这些基准的简单而有效的方法，这将有助于未来的医学影像研究。

Oct, 2020

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

通过对深度学习在腹部多器官分割中的应用进行研究，本文提出了 A-Eval 方法，利用四个大型公共数据集和一个 BTCV 数据集构建了 A-Eval 基准测试。通过对各种不同数据使用场景进行评估，我们强调了有效数据使用对提高模型泛化能力的重要性，为构建大型数据集和改进训练策略提供了宝贵的见解。

Sep, 2023

提出了一个能够在 MRI 扫描中进行多器官分割的深度学习模型，通过解决 MRI 分析中分辨率、标准化强度值和序列可变性的挑战，为当前的 MRI 分析限制提供了解决方案。

May, 2024

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

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

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

提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。

May, 2024

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