本文研究利用基于深度学习的自动三维分割方法识别肾脏肿瘤并自动量化其形态，提供 210 多个样本的训练集和约 90 个样本的测试集。

Dec, 2019

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

研究中采用 2.5D ResUnet 构建一个高效的粗到细语义分割框架，对 CT 扫描中的肾脏、肾脏肿瘤和肾囊肿进行自动分割。实验结果表明，肾脏、肿瘤和囊肿的 Dice 系数分别为 0.954、0.792、0.691，表面 Dice 系数分别为 0.897、0.591、0.541，平均每个 CT 扫描的推断时间为 20.65 秒，最大 GPU 内存为 3525MB，这表明在模型性能和效率之间取得了更好的平衡。

Nov, 2023

本研究提出了一种基于卷积神经网络的肾和肾肿瘤分割方法，通过设计边界分支和边缘感知损失函数，可靠地从腹部 3D CT 扫描中分割肾脏和肾肿瘤，并在 2019 MICCAI KiTS 肾肿瘤分割挑战数据集上实现了出色的分割效果。

Sep, 2019

这篇论文评估了深度学习方法在肾脏层结构分割上的可行性，研究采用了代表性的卷积神经网络和 Transformer 分割方法，并在小鼠肾脏癌症 WSIs 上定量评估了六个深度学习模型，结果显示 Transformer 模型通常优于基于 CNN 的模型。

Sep, 2023

实施和训练深度学习模型以从非对比度 CT 扫描中分割肾脏和囊性肾病变，该模型能够提供高度准确的分割，肾脏的中值 Dice 相似系数为 0.934。

May, 2024

本文提出了一种从全幅切片图像中识别细粒度肾小球病变的方案，通过一个聚焦实例结构相似性 loss 来驱动模型精确定位所有类型的肾小球，设计了一种不需要边界框注释的不确定性辅助配应网络来进行细粒度视觉分类，结果表明，相比较其他显著检测方法，在幻灯片评估中平均精度优化率为 8-22% 的提高，全面证明了该方法的有效性。

Mar, 2022

本研究提出了一个基于自动语义分割的肾脏和肾脏肿瘤形态学特征检测方法，并建立了覆盖肾性肿瘤磨损模式的数据集，通过这个数据集开展肾性肿瘤分割的任务以提高磨损模式分析效率。

Mar, 2019

探索了在 CT 图像中精确分割肾脏、囊肿和肾肿瘤的各种 3D U-Net 训练配置和有效后处理策略，并通过 2023 肾脏和肾肿瘤分割（KiTS23）挑战数据集的验证，在未见过的测试数据上取得了第二名的最终排名，平均 Dice 系数为 0.820，平均 Surface Dice 系数为 0.712。

Dec, 2023

使用基于深度学习的实例分割体系结构的自动量化方法，成功地将细胞核和膜生物标记物应用于免疫组化染色的胸部肿瘤图像，并集成到开发的网络平台中，作为病理学家的决策支持工具。

Nov, 2023