通过数据中心的深度学习技术和集成学习策略，我们的方法在空气道分割任务中表现出色，突显了空气道树异常、诊断和疾病特征化的重要性。

Jul, 2023

为了改善患者的预后，尤其是肺癌患者，早期诊断和治疗至关重要。本研究提出了一个新的公共基准数据集（AeroPath），包含 27 个 CT 图像，患者的病理范围从气肿到大肿瘤，以及相应的气管和支气管标注。同时，我们提出了一种多尺度融合设计的自动气道分割方法，并在 ATM'22 数据集上进行了训练和测试，并与竞争性开源方法进行了评估。结果表明，该方法对包括有挑战性的病理范围的患者进行了正确的分割预测，并能处理至少第五代气道的各种异常情况。AeroPath 数据集和网络应用程序已公开提供。

Nov, 2023

提出了一种用于医学图像分析中，基于深度学习的肺气道分割方法 NaviAirway，该方法采取了支气管特异性损失函数和人视感迭代训练策略，细分支气管，提升模型性能，可用于支气管镜导航、肺部疾病诊断等领域，并通过提出两个新的评价指标，更全面公正地评估基于深度学习的肺气道分割方法。

Mar, 2022

通过引入骨架级注释（SkA）和几何感知双路径传播框架（GDP），我们提出了一种准确的气道分割方法，它简化了注释流程，提高了注释一致性和准确性，并保留了完整的拓扑结构。实验证明，我们的方法优于其他使用 SKA 的竞争方法，并且与完全监督的基准模型具有可比较的性能，这为实现对其他管状结构（如血管）的高效标记提供了显著的潜力。

Mar, 2024

本文提出了一种仅利用支气管镜视屏数据来实现导航引导的方法，通过 CNN 对气道分割进行单帧分类并采用基于状态转移的 HMM 模型应用解剖学约束和时间上文本信息对支气管树进行定位，能够在无需电磁跟踪和 CT 扫描的情况下，实现对支气管镜操作的视觉引导。

Jul, 2023

肺部疾病是世界范围内主要死亡原因之一，为了治愈这些疾病，需要对肺部系统内的许多复杂的 3D 树状结构（如气道、动脉和静脉）有更好的理解。本文介绍了一种基于点云的方法，可以在低计算成本下保留树骨架的图连通性并结合隐式表面表示，提供了最先进的准确性和可用的模型表面，并通过一个大型数据集对该方法进行了评估并将其公开。

Sep, 2023

本文提出了两种不同的网络结构 Branch-Level U-Net (B-UNet) 和 Branch-Level CE-UNet (B-CE-UNet)，它们基于 U-Net 结构，并比较了相同数据集的预测结果。特别地，这两种网络都添加了分支损失和中央线损失，以学习气道的精细分支末端的特征。此外，还包括不确定性估计算法来获得自信的预测结果，从而增加整个模型的可靠性。此外，在后处理过程中，根据最大连接率计算和提取了基于肺气管的预测结果，以进行分割的细化和修剪。

Feb, 2024

本研究通过三维计算机断层扫描的伪标记提取 CXR 的精细解剖结构，为 CXR 的语义分割建模提供了可行方法，可以在不需要人工干预的情况下实现精细的解剖分割。

Jun, 2023

采用两阶段的全卷积网络，在 CTA 扫描中准确自动地分割主动脉血管树，达到加速医学图像分析流程的目的，并在 2023 年 MICCAI 主动脉（SEG.A.）挑战赛中，使用公共数据集评估了该方法，取得了较高的 Dice 相似系数（0.920）、Jaccard 相似系数（0.861）、召回率（0.922）和精确度（0.926）的结果。

May, 2023

利用自动生成的器官掩模辅助肠直肠癌（CRC）的 CT 图像分割，提出了一种新颖的解剖引导分割框架（AG-CRC），通过多器官分割、训练块采样策略、自监督学习方案和掩模损失机制，实现了 5% 至 9% 的性能改进。

Oct, 2023