本论文旨在研发一种基于2D U-net和autocontext的深度卷积神经网络，用于实时分割胎儿MRI切片中的胎儿大脑，并将其与其他两种方法进行比较，在正常和具有挑战性的测试集中取得了优异的性能表现。

Oct, 2017

本文提出了一种新的超完备神经网络结构Ki-Net，该结构在U-Net网络的基础上，通过数据在高维空间上的投影，实现了在分割模糊、嘈杂边界下的解剖标志和小型的功能区域的显著性改善，并表现出更快的收敛速度和优异的性能。作者在早产婴儿的二维超声脑解剖分割任务中，与标准U-Net相比，提高了约4%的DICE准确率和Jaccard指数，同时优于最近的一些方法2%。

Jun, 2020

引入了U-Transformer网络，结合了用于图像分割的U形模型和Transformer的自注意和交叉注意力机制，有效地克服了U-Net难以对长程上下文交互和空间依赖性建模的问题，在两个腹部CT图像数据集上表现出明显的优势。

Mar, 2021

本研究提出一种TransClaw U-Net网络结构，其将卷积操作与Transformer操作结合起来，可提高医学图像分割和分类的性能。在Synapse Multi-organ Segmentation Datasets上的实验结果表明，TransClaw U-Net的性能优于其他网络结构。

Jul, 2021

胎头分割是测量胎儿头围的关键步骤，在产科胎儿生长监测中是一个重要的生物测定值。本研究提出了一种迁移学习方法，使用轻量级MobileNet作为编码器的U-Net网络进行微调，以在受限的胎儿头部超声图像数据集上进行分割。该方法解决了从头开始训练卷积神经网络的挑战性任务，并表明所提出的微调策略在减少85.8%的可训练参数数量时仍能实现可比的分割性能。该方法在可训练参数数量小于440万时优于其他策略，因此可作为医学图像分析领域中模型大小减小的可靠微调方法。研究结果强调了在通过迁移学习方法开发人工智能应用时，在模型性能与大小之间保持平衡的重要性。

Jul, 2023

通过在2D TransUNet体系结构的基础上建立在最先进nnU-Net体系结构的基础上，充分探索Transformers在编码器和解码器设计中的潜力，我们引入了两个关键组件：1）一个从卷积神经网络（CNN）特征图中令图像块标记化的Transformer编码器，从而实现全局上下文的提取；2）一个自适应地利用候选区域和U-Net特征之间的交叉注意力进行候选区域的精炼的Transformer解码器。我们的研究发现，不同的医学任务受益于不同的体系结构设计。Transformer编码器在多器官分割中表现出色，其中器官之间的关系至关重要。另一方面，Transformer解码器在处理小而具有挑战性的分割目标（如肿瘤分割）方面更有益处。大量实验证明了将基于Transformer的编码器和解码器集成到U型医学图像分割体系结构中的巨大潜力。TransUNet在各种医学应用中超越竞争对手。

Oct, 2023

通过整合卷积和Transformer的优点，提出了一种名为BRAU-Net++的混合CNN-Transformer网络，用于精确的医学图像分割任务。该网络通过使用双层路由注意力作为核心构建块来设计层次化编码器-解码器结构，以学习全局语义信息并降低计算复杂性。通过在跳跃连接中结合通道-空间注意力，最小化局部空间信息损失并放大多尺度特征的全局维度交互。在三个公共基准数据集上进行广泛实验，表明我们提出的方法在几乎所有评估指标上超过了包括其基准：BRAU-Net在内的其他最先进方法。

Jan, 2024

通过使用混合Transformer U-Net（MiTU-Net）网络自动测量胎头-耻骨联合的分割和度量角度的方法，本研究证明了该方法的有效性，并且在最新的会阴超声数据集上取得了竞争性的成果，能够减少误差并帮助临床实践中的超声医生。

Jan, 2024

本研究解决了分割聚合骶骨和胎头（PSFH）在监测分娩进程及识别潜在并发症方面的不足，尤其是在缺乏标注医学图像情况下的分割训练问题。我们提出了一种新颖的双学生和教师结合CNN与Transformer的框架，通过互相监督的方式生成硬标和软标，提高了分割精度。实验结果表明，该框架超越了十种现有的半监督分割方法，具有显著的推广能力和应用前景。

Sep, 2024

本研究聚焦于产时超声成像中耻骨联合和胎头的分割问题，该过程成本高且效率低下，当前自动分割算法效果尚不理想。通过举办PSFHS挑战赛并提供了5101幅图像数据集，推动了自动分割算法的国际发展，从而显著提升了相关算法的性能，并提出了未来研究的方向。该成果有助于改善临床决策和定量诊断。

Sep, 2024