实施和训练深度学习模型以从非对比度 CT 扫描中分割肾脏和囊性肾病变，该模型能够提供高度准确的分割，肾脏的中值 Dice 相似系数为 0.934。

May, 2024

我们提出将领域泛化和测试时间适应相结合的方法，在未见目标领域中重新使用预训练模型，并通过优化模型权重以确保每个未见扫描的高质量分割，以消除当前的数据可用性障碍。

Dec, 2023

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

本文研究单一领域通用的医学图像分割问题，提出了一种利用领域间不变的形状先验信息和测试时的适应策略以提高模型通用性的方法，并在两个医学图像分割任务上进行了广泛实验验证。

Jun, 2022

本文研究利用基于深度学习的自动三维分割方法识别肾脏肿瘤并自动量化其形态，提供 210 多个样本的训练集和约 90 个样本的测试集。

Dec, 2019

通过基于关系的知识框架和轻量级模型，实现了医学图像分割领域中的多种数据源的集成，提高了模型的泛化能力和适应性，同时减少了推理时间和存储使用，成为实时医学图像分割的实用和高效的解决方案。

Apr, 2024

通过利用现有数据的局部或稀疏标注分割标签，我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战，实验结果表明，我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能，凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。

Nov, 2023

使用特权信息（如肿瘤形状或位置）来预测光学相干断层扫描中内层视网膜流体的严重程度，使深度学习模型在超出分布数据上的分类准确率从 0.911 提高到 0.934，为其他需要泛化的医学问题的特权信息使用提供了一个强有力的起点。

Nov, 2023

当前医学图像分析的机器学习方法主要集中在为特定任务开发定制模型，利用其目标域内的数据。最近，提出了基础模型，它结合了来自各种领域的数据，并展现出出色的泛化能力。本研究在此基础上引入了多领域医学图像的结合，包括不同的成像方式如 X 线、MRI、CT 和超声图像，以及各种视角如轴位、冠状位和矢状位。我们称之为多领域模型，并将其性能与特定模型进行了对比。研究结果强调了多领域模型在数据有限和常遇到的超出分布情况下的优越泛化能力，尤其在医疗应用中。多样数据的整合使多领域模型能够利用跨领域的共享信息，显著提高整体结果。举例而言，在器官识别方面，与传统专用模型相比，多领域模型的准确性可以提高 10%。

Oct, 2023

跨模态 MRI 分割是很有价值的计算机辅助医学诊断方法，但现有方法难以处理领域变化的局部差异，并且通常需要大量数据进行训练，这限制了其实际应用。为解决这些问题，我们提出了一种新颖的自适应领域泛化框架，它将基于图像梯度图的无学习跨领域表示与基于类先验的测试时适应策略相结合，以减轻局部领域变化。我们在两个多模态 MRI 数据集上验证了我们的方法，并进行了六个跨模态分割任务。在所有任务设置中，我们的方法始终优于竞争方法，并且在有限的训练数据下表现稳定。

Nov, 2023