本文提出了一种用于精确肿瘤分割的定位到分割框架 (L2SNet)，通过定位潜在病变并利用位置信息对分割结果进行塑形，在 MICCAI 2023 全身 FDG-PET/CT 挑战数据集上取得了具有竞争力的结果，并在预备测试集中排名前 7 方法之一。

Sep, 2023

本研究提出一种新的深度学习模型训练策略，用于构建能够对肿瘤进行系统分割的 PET/CT 肿瘤分割模型，该方法基于 AutoPET 2022 挑战赛的训练集进行验证，并在预测试集上实现了 0.7574 的 Dice 分数、0.0299 的假阳性体积和 0.2538 的假阴性体积，代码已在链接中提供。

Aug, 2022

提出一种深度学习方法，用于从 [18F] FDG PET/CT 扫描中分割肿瘤性病变和组织。使用两个 UNet-3D 分支的组合，一个用于分割 CT 图像中的一组组织，另一个用于分割 PET 图像中的病变，并将 CT 分支的信息嵌入到瓶颈中。在 AutoPET MICCAI 2023 挑战数据集上进行了网络的训练和验证。

Sep, 2023

使用深度学习模型自动分割 FDG-18 全身 PET/CT 扫描中的病变对于确定治疗反应、优化剂量和推进癌症治疗应用至关重要。然而，器官存在放射性示踪剂摄取增加，如肝脏、脾脏、脑和膀胱，导致深度学习模型经常将这些区域错误地识别为病变，为解决这个问题，我们提出了一种新的方法，旨在分割器官和病变，以提高自动化病变分割方法的性能。

Nov, 2023

本研究提出了 FP-PET，这是一种针对 CT 和 PET 图像的医学图像分割的综合方法。利用 AutoPet2023 挑战赛的数据集，研究采用了多种机器学习模型，包括 STUNet-large、SwinUNETR 和 VNet，实现了最先进的分割性能。文章引入了一个综合评估指标，结合了 Dice 分数、假阳性体积（FPV）和假阴性体积（FNV），提供了模型有效性的全面衡量。研究还讨论了与模型训练相关的计算挑战和解决方案，该训练使用高性能 GPU 进行。研究还探讨了预处理和后处理技术，包括高斯加权方案和形态学操作，以进一步优化分割输出。本研究为高级医学图像分割的挑战和解决方案提供了有价值的见解。

Sep, 2023

研究中使用 [$^{18}$F] 荧光脱氧葡萄糖（FDG）正电子发射断层扫描（PET）的无监督学习方法，实现对癫痫焦点的定位，并取得了改进的性能。

Feb, 2024

本研究提出一种基于 U-Net 架构的 PET-CT 肿瘤分割方法，通过先生成肿瘤外观先验图进行改进，可以得到平均 Dice 分数达到 0.701 的良好肿瘤分割结果。

Oct, 2022

本研究旨在发展一种准确的淋巴瘤分割方法，采用 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描图像结合视觉转换器和双编码器进行淋巴瘤分割，这在计算辅助淋巴瘤诊断和治疗方面具有巨大潜力。

Feb, 2024

利用 PET/CT 成像技术和 transformers 的多模态融合，提出了一种无监督的异常检测算法，用于检测癌症的存在，并表明该方法可以在缺少正常训练数据的情况下准确地进行癌症定位，进而提高了临床诊疗精确性。

Apr, 2023

通过利用交互式滑动窗口的模式，SW-FastEdit 极大加速了标注过程，取代了体素级别的注释，从而解决了在 PET 全身扫描中分散的病变体积标记的问题，并在 AutoPET 数据集上表现优于其他非滑动窗口交互模型，且可以泛化到之前未见的 HECKTOR 数据集。

Nov, 2023