本文提出了一种基于解剖学感知的多类气道分割方法，通过拓扑引导的自学习方法和断裂注意力图生成伪标签，能够完整地分割气道树，适用于慢性阻塞性肺疾病、哮喘和肺癌等呼吸系统疾病的分析。

Jun, 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

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

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

采用不同的深度学习方法和训练数据集对肺部分割进行比较，结果表明使用多样化的训练数据集可以提高准确性，并且使用 U-net 方法具有更高的 Dice 相似系数。

Jan, 2020

该研究比较了卷积神经网络在 2D 和 3D 格式中对囊性纤维化病变的整体分割能力，并重点研究了 5 个主要囊性纤维化结构变化。通过对比 2D 和 3D 模型，发现 3D 模型在捕捉粘液栓和肺实变等复杂特征方面具有优势。通过实验引入了适用于细结构分割的损失函数并评估，显著提高了 2D 模型的准确性，但未超过 3D 模型的性能。模型经过外部评估计算肺功能测试，证实了研究结果的稳健性。此外，研究还包括了对模型的可解释性和可靠性的综合评估，为其临床应用提供了宝贵的见解。

Mar, 2024

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

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

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

Nov, 2019