基于二维横截面视图的脾脏体积估计深度学习框架
该研究开发了一个包括 109 例患者 CT 和 MRI 数据的数据集，名为 Duke 脾脏数据集，旨在为研究深度学习算法的脾脏分割提供丰富的图像类型、供应商、平面和对比度，以及不同病态状态下不同的脾脏形状和大小。
May, 2023
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
本研究采用 3D 卷积神经网络对容积式医学图像进行分割，并提出了一种新的 3D 粗到细的框架，该框架不仅有效而且高效可靠，与 2D 方法相比取得更好的效果，并在临床应用中得到了可靠性保证。
Dec, 2017
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
提出了 RapidVol：一种神经表示框架用于加快切片到体积的超声重建，并通过使用张量秩分解将典型的三维体积分解为三面板的集合，再用一个小型神经网络来存储，只需一组带有三维位置和方向（姿态）的二维超声扫描就可以进行完整的三维重建。与基于完全隐式表示的先前方法相比（如神经辐射场），我们的方法速度提高了 3 倍以上，准确性提高了 46%，而且在给出不准确的姿态时具有更强的鲁棒性。可以通过从结构先验而不是从头开始进行重建来进一步加快速度。
Apr, 2024
该研究提出了一种基于深度学习和图割优化的自动肝脏分割算法，可在临床设置中实现高效而准确的肝容积估算，可替代耗时且不可重复的手动分割方法。
May, 2016
通过基于深度学习分割模型使用 nnUNet 的自动肿瘤体积测量方法，我们证明了此方法与手动描绘至少相等，同时展示了额外体积测量如何影响已知生长函数的拟合。
Mar, 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
本研究提出了一种基于深度学习的自动化系统，使用 3D CT 扫描实现胰腺的定位和分割来解决医学图像分析中的器官分割问题，并在公开数据集上进行了四倍交叉验证的定量评估。
Jan, 2017