提出一种深度学习方法，用于从 [18F] FDG PET/CT 扫描中分割肿瘤性病变和组织。使用两个 UNet-3D 分支的组合，一个用于分割 CT 图像中的一组组织，另一个用于分割 PET 图像中的病变，并将 CT 分支的信息嵌入到瓶颈中。在 AutoPET MICCAI 2023 挑战数据集上进行了网络的训练和验证。

Sep, 2023

癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

Apr, 2024

本研究提出一种新的深度学习模型训练策略，用于构建能够对肿瘤进行系统分割的 PET/CT 肿瘤分割模型，该方法基于 AutoPET 2022 挑战赛的训练集进行验证，并在预测试集上实现了 0.7574 的 Dice 分数、0.0299 的假阳性体积和 0.2538 的假阴性体积，代码已在链接中提供。

Aug, 2022

本文提出了一种用于精确肿瘤分割的定位到分割框架 (L2SNet)，通过定位潜在病变并利用位置信息对分割结果进行塑形，在 MICCAI 2023 全身 FDG-PET/CT 挑战数据集上取得了具有竞争力的结果，并在预备测试集中排名前 7 方法之一。

Sep, 2023

使用深度学习模型自动分割 FDG-18 全身 PET/CT 扫描中的病变对于确定治疗反应、优化剂量和推进癌症治疗应用至关重要。然而，器官存在放射性示踪剂摄取增加，如肝脏、脾脏、脑和膀胱，导致深度学习模型经常将这些区域错误地识别为病变，为解决这个问题，我们提出了一种新的方法，旨在分割器官和病变，以提高自动化病变分割方法的性能。

Nov, 2023

本文提出了一种改进的 UNet 结构，称为 SLCA UNet，它结合了残差密集块、分层注意力和通道注意力模块，以及堆叠卷积。在脑肿瘤分割上，该方法在 BraTS 2020 数据集上表现良好，平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。

Jul, 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

本文介绍了一种将残差通路与反卷积和激活操作相结合的 U-Net 架构，用于肝和肝癌的自动分割，进而提高肝癌放疗任务的效率。在 LiTS 2017 数据集上，经验证明这种改进的 U-Net（mU-Net）优于现有的最先进网络。

Oct, 2019

本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

Jul, 2023

本文提出了一种使用 U-Net 基于深度卷积神经网络的完全自动化脑肿瘤分割方法，该方法在 Multimodal Brain Tumor Image Segmentation (BRATS 2015) 数据集上进行了测试，并表现出良好的分割性能。

May, 2017