提出一种基于深度学习的后处理方法，通过关键点检测任务修复肺部管状结构的连接性问题，解决当前深度学习方法在肺部病理诊断中的实用性问题。新的肺部树修复数据集（PTR）包括 800 个完整的三维肺部结构模型，可公开获取。

Jun, 2023

本文提出了一种基于解剖学感知的多类气道分割方法，通过拓扑引导的自学习方法和断裂注意力图生成伪标签，能够完整地分割气道树，适用于慢性阻塞性肺疾病、哮喘和肺癌等呼吸系统疾病的分析。

Jun, 2023

本文提出了一种新颖的自动预测树形结构连接性的方法，使用 UNet 和 Transformer 结构的两阶段模型和基于图像提示的技术，有效地解决了在三维解剖数据中存在 2D 投影中的覆盖分支等问题，取得了优于最短路径基线的结果。

Jan, 2023

通过数据中心的深度学习技术和集成学习策略，我们的方法在空气道分割任务中表现出色，突显了空气道树异常、诊断和疾病特征化的重要性。

Jul, 2023

使用隐式神经表示和去噪扩散方法准确捕捉任意分辨率下解剖树的几何和拓扑，实现高保真度的树结构重建，同时具备储存紧凑、适用于各解剖部位和树结构复杂性的特性。

Mar, 2024

COVID-19 大流行病反应凸显了深度学习方法在通过计算机断层扫描 (CT) 对肺部疾病的正常和异常组织进行自动分割方面的潜力，这些方法不仅有助于临床决策，还有助于理解新型疾病。为了解决手动分割大型 CT 数据库的繁重性质，我们使用多态训练优化了一个网络，以表示多个分层解剖结构，间接优化了更复杂的标签。我们结合来自不同来源的 6000 多个不同格式的手动和自动标签的 CT 扫描，使用多任务学习和多态训练开发了 MEDPSeg，一种用于单向预测肺部、气道、肺动脉和肺病变分割的端到端方法。我们在多个目标中取得了最先进的性能，特别是在地面玻璃浑浊度和病变分割方面，这是一个具有有限手动注释可用性的具有挑战性的问题。此外，我们提供了一个开源实现，具有图形用户界面的链接：https:// 此处为 URL。

Dec, 2023

通过 AIIB23 竞赛，研究者们探索了在肺纤维化病人的肺组织中提取气道树的能力，并发现了强相关的基于气道的生物标志物，与现有的临床测量、临床医生评估和基于人工智能的生物标志物相比，其预后预测能力更强。

Dec, 2023

通过使用卷积神经网络对感兴趣的点进行定位和分类，并将血管表示为一些最小距离树状图的边，基于地形测量方法检测血管及其几何特征，我们的研究聚焦于在血管网络中检测重要的地标，并利用位置和方向的空间，准确地将 2D 血管表示为树状结构。我们构建了适用于超声定位显微镜（ULM）数据跟踪的模型，提出在这种类型数据上构建良好的成本函数用于跟踪。我们还对合成数据和眼底图像数据进行了测试。结果表明，缺乏良好注释的 ULM 数据是血管地标定位的障碍，但基于 ULM 数据建立的方向得分对于追踪血管具有良好的测地线效果。

Nov, 2023

采用两阶段的全卷积网络，在 CTA 扫描中准确自动地分割主动脉血管树，达到加速医学图像分析流程的目的，并在 2023 年 MICCAI 主动脉（SEG.A.）挑战赛中，使用公共数据集评估了该方法，取得了较高的 Dice 相似系数（0.920）、Jaccard 相似系数（0.861）、召回率（0.922）和精确度（0.926）的结果。

May, 2023

基于体素渲染图像的 COVID-VR 方法能够有效识别肺部病变并且在与基于切片的方法进行竞争时表现出竞争力。

Aug, 2023