通过超分辨率模块进行空间归一化和迭代式实现分割结果，基于高水平血管分割为先验信息，在非对比度 CT 和 CTPA 上实现了精确的动脉 - 静脉分割，其量化实验证明 HiPaS 具有卓越的性能，达到 91.8% 的 DICE 分数和 98.0% 的敏感性。研究还发现，肺血管丰度与性别和年龄显著关联，女性较男性血管丰度明显更高且随年龄稍有下降，这一发现对临床诊断和了解肺生理学具有重要意义。

Apr, 2024

COVID-19 大流行病反应凸显了深度学习方法在通过计算机断层扫描 (CT) 对肺部疾病的正常和异常组织进行自动分割方面的潜力，这些方法不仅有助于临床决策，还有助于理解新型疾病。为了解决手动分割大型 CT 数据库的繁重性质，我们使用多态训练优化了一个网络，以表示多个分层解剖结构，间接优化了更复杂的标签。我们结合来自不同来源的 6000 多个不同格式的手动和自动标签的 CT 扫描，使用多任务学习和多态训练开发了 MEDPSeg，一种用于单向预测肺部、气道、肺动脉和肺病变分割的端到端方法。我们在多个目标中取得了最先进的性能，特别是在地面玻璃浑浊度和病变分割方面，这是一个具有有限手动注释可用性的具有挑战性的问题。此外，我们提供了一个开源实现，具有图形用户界面的链接：https:// 此处为 URL。

Dec, 2023

本研究提出了一种基于 HRNet 的特征增强的敌对半监督语义分割模型，通过添加少量未标记图像实现了对不同数据集的适用，从而自动标注计算机断层扫描肺动脉造影（CTPA）图像中肺栓塞病变区域的位置。与当下的标准模型相比，该模型在 mIOU、Dice 系数和灵敏度方面实现了显著优化。

Apr, 2022

我们介绍了一种名为 MPSeg 的创新多阶段策略，专门用于冠状动脉分割，其采用了分离左冠状动脉和右冠状动脉以及集成模型等方法，针对冠状动脉的结构复杂性和 SYNTAX Score 的原则进行了设计和优化，并在 MICCAI 2023 年的 ARCADE 挑战中表现出了卓越的效果。

Nov, 2023

自动肺栓塞（PE）分割方法 SCUNet++ 结合了多个融合的稠密跳跃连接来解决 CTPA 技术的局限性和特征分级层次结构问题，实验证明该方法在 PE 分割任务中表现出色，有潜力提高 PE 的自动分割准确性，为临床医生提供强大的诊断工具。

Dec, 2023

本文提出了一种基于解剖学感知的多类气道分割方法，通过拓扑引导的自学习方法和断裂注意力图生成伪标签，能够完整地分割气道树，适用于慢性阻塞性肺疾病、哮喘和肺癌等呼吸系统疾病的分析。

Jun, 2023

针对肺部 CT 图像肺裂隙不完整和病理特征变异等挑战，我们提出了一种新的自动肺叶分割框架，通过任务特定的损失函数在训练过程中要求模型关注肺裂隙周围的区域；此外，我们引入一种端到端的肺裂隙生成方法来辅助肺裂隙分割任务，在没有额外网络分支的情况下；最后，我们提出一种基于配准的损失函数来缓解 Dice 损失监督的肺裂隙分割任务的收敛困难，我们在 STLB 和 LUNA16 数据集上分别实现了 97.83％和 94.75％的 Dice 分数。

Jul, 2023

基于部分血管标注提出一种弱监督学习框架，通过学习血管的局部特征、全局结构和特征原型，实现精确的冠状动脉分割，在冠状动脉 CTA 图像上超过了其他方法的表现，并且在血管的主干连续性上达到了与全注释模型相当的性能。

Jul, 2023

利用深度学习方法实现肺叶分割，在一个手动标注的数据集上测试所提出的方法，通过设计一个混合损失函数来解决类别失衡问题，并在独立数据集上进行了测试，取得了比基线模型高达 5.87% 的表现。

Mar, 2019

通过提出基于深度学习模型的方法，可以高效且准确地分割 CTA 图像中与周围动脉疾病（PAD）手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分，为医学专业人员分析血管系统健康提供了有价值的工具。

Nov, 2023