采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

Sep, 2018

本文提出了一种端到端的神经网络模型用于解决头颈 CT 影像中不平衡大小器官分割的问题，并通过特定的小器官网络准确地分割小器官，最终在收集的实际数据和 MICCAI 头颈自动分割竞赛数据集上具有优秀的表现。

Jul, 2019

在医学影像中，我们提出了一种新方法，通过稀疏采样策略跨广泛视野进行数据选择，实时对多个器官进行分类，从而在不使用加速器的情况下生成全面分割，与现有的分割技术相比，展示了超 ior 优越的运行时潜力。

Apr, 2024

通过优化 V-Net 模型的器官分割算法，提高小体积器官的分割精度，特别是眼球晶状体的分割，在医学影像中取得了显著的改进。

Apr, 2024

本文提出了一种基于 ConvNets 和 CT 扫描的分层粗到细分割方法，用于自动识别和分割腹部内器官，特别是胰腺。在 82 名患者的 CT 图像上进行了交叉验证，结果表明该方法可以实现高达 83.6％±6.3％的分割准确率。

Jun, 2015

使用卷积网络的深度学习方法对腹部计算机体层摄影（CT）图像中的胰腺进行分段，该方法基于分层从粗到细的本地图像区域（超像素）的分类，并通过随机森林分类器级联的两级修补程序生成初始概率响应图，最终达到了 68% 的 Dice 分数，这表明这种方法具有很大的潜力和性能优势。

Apr, 2015

通过使用自动分割技术并引入一类分类器，该研究提出了一种可以高精度检测肿瘤器官轮廓错误的方法，能够显著降低医生对轮廓划定的负担。

May, 2024

本研究提出了一种深度学习框架，用于在胸部 CT 图像中分割器官的关键部分，包括心脏、食管、气管和主动脉，该方法采用扩张卷积和聚合残差连接，在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络，取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。

May, 2019

应用基于转换器的模型进行训练，研究论文中介绍了在计算机断层扫描中腹部多器官分割的重要性以及深度学习方法在此方面的应用。尽管由于器官边界模糊、复杂的背景和不同器官尺度的挑战，单个网络精确分割不同器官仍然具有挑战性。先前的竞赛中基本上所有前五名的方法都使用了基于卷积神经网络的方法，与此相对，本研究中使用基于转换器的模型，并以竞赛中的大量样本为基础，展示了转换器模型在腹部多器官分割中的可行性及结果表现。

Sep, 2023

论文提出采用固定点模型，利用预测分割掩码来缩小输入区域，从而提高深度神经网络在腹部 CT 图像中的器官分割准确性，针对胰腺等较小的器官分割效果得到明显提升。在 NIH 胰腺分割数据集上表现出超过 4% 的优异表现。

Dec, 2016