该研究提出了一个基于变分自编码器的方法，从 2D 脾脏分割图像中测量脾脏体积，优于线性回归和深度学习方法，可以集成到当前使用 2D 超声图像测量脾脏长度的标准临床工作流程中。该研究是第一个能够直接从 2D 脾脏分割图像估计 3D 脾脏体积的工作。

Aug, 2023

用于肝硬化和卵巢癌患者中检测腹水并量化其体积的自动化深度学习方法表现良好。

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

我们收集了一系列来自五个中心的大规模 MRI 扫描数据集，并开发了一种名为 PanSegNet 的新的胰腺分割方法，其在交叉模态和交叉中心设置下的 Dice 系数分别达到了 88.3%（使用 CT），85.0%（使用 T1W MRI）和 86.3%（使用 T2W MRI）。

May, 2024

使用深度学习方法，我们提出了一种肾脏实质和肾脏异常的分割方法，以帮助临床医生识别和量化肾脏异常，如囊肿、病变、肿块、转移和原发肿瘤。我们的方法通过训练 215 例胸腹部增强 CT 扫描，其中一半扫描含有一个或多个异常，实现了肾脏异常的准确分割和肾脏实质的改进分割。最佳模型的 Dice 分数在测试集中表现优异，超过了独立人眼观察者的分数，表明计算机化方法在肾脏异常分割中有进一步改进的潜力。

Sep, 2023

本文提出了一个新颖的 3D 深度监督网络（3D DSN）并引入深度监督机制来解决自动肝脏分割的挑战性任务，并且采用条件随机场模型来获得更精细的分割结果。在公共数据集上进行的广泛实验证明，我们的方法可以实现与最先进方法竞争的分割结果，并且具有更快的处理速度。

Jul, 2016

本文提出一种有效的多器官分割标注方法，并使用三个独特属性，减少标注成本达到高质量标注结果，并总结了人工智能算法和标注者共同的错误分类学，以便为医学影像任务创建更大规模的数据集提供连续的改进。

May, 2023

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

利用部分超声扫描的肝脏分割掩膜与由一组 CT 扫描建立的统计形状模型相结合，通过参数回归网络计算形状参数，实现准确的三维肝脏重建和自动肝容积计算。与放射科医生使用 Childs 方法计算的肝容积相比，我们的方法统计上更接近 CT 扫描估计的结果，并对 US 图像分辨率、用于 SSM 的 CT 扫描数量以及输入 US 扫描数量等进行了验证。据我们所知，这是首个利用少量不完整的 US 扫描和一组 CT 扫描的自动肝容积测量系统。

Jun, 2024

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