本研究提出了使用卷积神经网络和图神经网络相结合的新型架构，基于自我监督学习的方法，无需基准来自动识别三维器官风险分割中的错误，为放射治疗过程提供了离线质量保证工具，以便识别需要专注于的区域。

Jun, 2022

提出了一种基于 Transformer 以及 Laplacian 特征编码的多边形网格的语义分割方法，并在 Shape COSEG 数据集、人类分割数据集以及 ShapeNet 基准上实现了最先进的性能。

Jul, 2023

本篇论文介绍了一种新的 UNETR 架构，通过使用 Transformer 作为编码器，可以捕捉更长程的空间依赖性，同时保持 “U 形” 的网络设计。实验证明，在多个数据集上，该方法在多器官分割任务上取得了最新的最优性能。

Mar, 2021

本文提出了一种基于误差定位网络来解决伪标签问题的半监督语义分割方法，该方法有效地消除了训练过程中因使用伪标签带来的性能下降风险，并实现了对不精确伪标签的鲁棒性，同时具有自训练和对比学习的天然集成能力。与现有方法相比，在 PASCAL VOC 2012 和 Cityscapes 数据集上，该方法在所有评估指标中均表现出了卓越的性能。

Apr, 2022

本文提出了一个级联的卷积神经网络框架，使得能够自动化地计算心肌梗死的程度，并且在训练中通过人工生成特征，使模型可以检测和修正 2D 分割错误，并在 EMIDEC 挑战中超越了现有方法以及 2D 和 3D nnU-Net，并且通过大量实验显示出所提出的误差校正级联方法所具有的优点。

Jun, 2023

SegFormer3D 是一种记忆高效的分层 Transformer，在 3D 医学图像分割中拥有比当前最先进模型更少的参数和更低的 GFLOPS，并在 Synapse、BRaTs 和 ACDC 等广泛使用的数据集上取得竞争性结果。

Apr, 2024

本文基于医学成像领域的技术，提出使用 3D U-Net 模型自动分割 AM 样本的 XCT 图像中的缺陷，该方法最终在 AM 数据集上取得了 88.4% 的均交并比（IOU）结果，为 AM 缺陷检测和 3D 体积分割提供了新思路。

Jan, 2021

该研究提出了一个名为 Graph Transformer 的新特征提取模块，它能够在局部和全局模式下学习点云特征。该模块将基于图形和变压器的方法的优点相结合，并包括局部变换器和全局变换器模块。在此基础上，构建了一个 3D 点云网络 GTNet，可以用于形状分类、部分分割和语义分割任务。

May, 2023

通过在 2D TransUNet 体系结构的基础上建立在最先进 nnU-Net 体系结构的基础上，充分探索 Transformers 在编码器和解码器设计中的潜力，我们引入了两个关键组件：1）一个从卷积神经网络（CNN）特征图中令图像块标记化的 Transformer 编码器，从而实现全局上下文的提取；2）一个自适应地利用候选区域和 U-Net 特征之间的交叉注意力进行候选区域的精炼的 Transformer 解码器。我们的研究发现，不同的医学任务受益于不同的体系结构设计。Transformer 编码器在多器官分割中表现出色，其中器官之间的关系至关重要。另一方面，Transformer 解码器在处理小而具有挑战性的分割目标（如肿瘤分割）方面更有益处。大量实验证明了将基于 Transformer 的编码器和解码器集成到 U 型医学图像分割体系结构中的巨大潜力。TransUNet 在各种医学应用中超越竞争对手。

Oct, 2023

利用 Swint UNEt TRansformers 模型和多模 MRI 数据对 3D 颅脑肿瘤进行语义分割，可以转换为序列预测问题，以 5 个不同分辨率提取特征，通过跳过连接连接到 FCNN 解码器，并在 BraTS 2021 分割挑战中表现出优越的性能。

Jan, 2022