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

通过对 ADNI 海马 MRI 数据集进行分割实验，比较了不同的三维海马分割卷积架构的有效性和效率，结果表明，与简单的二维块相比，稍微非传统的 “堆叠的 2D” 方法提供了更好的分类性能，并且不需要额外的计算能力。同样我们也测试了一种流行的 “三平面” 方法，发现它提供了比 2D 方法更好的结果，但需要适度增加计算能力的要求。最后，我们评估了完整的三维卷积体系结构，并发现它提供了比三平面方法略好的结果，但代价是需要非常大的计算能力要求。

May, 2015

本文提出了一种改进的 UNet 结构，称为 SLCA UNet，它结合了残差密集块、分层注意力和通道注意力模块，以及堆叠卷积。在脑肿瘤分割上，该方法在 BraTS 2020 数据集上表现良好，平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。

Jul, 2023

利用人工智能中的深度学习技术，基于 nnU-Net 框架实现了高质量的三维生物医学图像分割和量化，该框架不需要人工参与，能够自动适应不同的数据集和分割任务，同时在 19 项公共比赛中取得了优于大部分深度学习算法的表现。

Apr, 2019

该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

Apr, 2024

本文提出了一种神经体系结构搜索 (NAS) 框架，用于自动优化大规模设计空间中的神经体系结构，支持 3D 医学图像分割任务，其优化准确度在基准测试数据集上优于人类设计的 3D U-Net，经过优化的体系结构适用于不同的任务。

Jun, 2019

本研究提出一种基于强化学习的小样本、低计算力的 NAS 方法，优化了宏搜索空间配置，可用于大规模的 3D 医学图像分割，无需微调、训练时间仅为 1.39 天，性能表现优于手动设计的网络及现有 NAS 方法之最佳结果。

Sep, 2019

人体组织和其组成的细胞形成的微环境本质上是三维的。我们提出了用于处理来自多种成像模态的 3D 组织图像并预测患者结果的基于深度学习的平台 MAMBA。MAMBA 通过 3D 基于块的方法，在预测方面表现出比传统的基于单层切片的预测方法更好的性能，暗示着使用 3D 形态特征进行更准确的预测。MAMBA 为临床决策支持提供了一种通用有效的 3D 弱监督学习框架，可以帮助揭示新的 3D 形态生物标志物以进行预后和治疗反应的研究。

Jul, 2023

本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

Jul, 2023

本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

Jan, 2019