本文综述了 100 余篇使用深度学习方法进行心脏图像分割的文献，包括磁共振成像、计算机断层扫描和超声成像等常见成像模态和感兴趣的主要解剖结构（心室、心房和血管）。此外，还总结了公开可用的心脏图像数据集和代码库，并对当前深度学习方法的挑战和局限性（标注不足、模型泛化能力、可解释性）进行了讨论，并提出了未来研究的潜在方向。

Nov, 2019

概述了近年来机器学习在医学图像处理和分析领域的应用，特别关注深度学习在 MRI 中的应用，以及为对这个领域感兴趣的人提供好的教育资源、最先进的开源代码和有趣的数据来源及相关问题。

Nov, 2018

在这篇论文中，我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点，并在两个基准数据集（结核病胸部 X 射线和卵巢肿瘤）上定量评估了它们的性能。最后，我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。

Aug, 2023

本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。

Apr, 2023

我们开发了一种最少交互的基于深度学习的肿瘤分割方法来有效地在 CT 和 MRI 上分割不同类型的软组织肿瘤，具有对之前未见过的表型和成像模式的稳健泛化能力。

Feb, 2024

该论文提出了一个基于机器学习的系统，通过 MRI 图像协助医疗专业人员进行大脑肿瘤的分类和诊断。该系统快速、安全，且能提供大量的患者信息，包括肿瘤的大小、位置和严重程度等。研究结果表明，该系统准确率高、高效且易于使用。

Apr, 2023

本文对基于深度学习的医学和非医学图像分割解决方案进行归类，并从六个主要类别 —— 深度架构、数据合成、损失函数、顺序模型、弱监督和多任务方法对其进行综合性评估。进一步地，对于每一组，我们分析了这些组合的每一个变种，并讨论了当前方法的局限性和未来研究方向。

Oct, 2019

本文旨在探讨深度学习技术在心脏短轴 MRI 影像的语义分割中的应用，旨在增强与心脏相关的医疗疾病的诊断、监测和治疗，重点是实施各种派生于 U-Net 的体系结构，以有效地分离心脏的具体部分进行综合解剖和功能分析，并通过图像、图表和定量指标的结合来展示模型及其预测的效果，并讨论了遇到的挑战和未来改进的策略。这篇摘要简要概述了利用深度学习进行心脏图像分割的努力，强调了成就和进一步改进的领域。

Jan, 2024

该研究论文介绍了一种用于心脏图像的自动分割和辅助诊断的半监督模型，通过利用心脏 MRI 图像和仅需少量标注图像数据，实现了对心脏图像的全自动、高精度分割，特征提取，临床指数计算和疾病预测，并展示该模型在分割和预测中的高准确性，具备实际指导和应用价值。

May, 2024

该研究提出了一种自动化数据增强方法，用于合成标记的医学图像，该方法可用于磁共振成像（MRI）的脑部扫描分割任务。该方法利用半监督方法，从未标注的扫描中学习图像变换模型，并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练相比目前的一次性生物医学图像分割方法，有明显的改进。

Feb, 2019