提出了一种混合有导师的框架（StMt），通过使用部分标记和未标记的数据进行腹部器官和肿瘤的分割。采用两阶段分割流程和基于整体体积的输入策略，以最大程度地提高分割准确性，并同时满足推断时间和 GPU 内存使用的要求。在 FLARE2023 的验证集上的实验表明，我们的方法在分割性能、速度和资源利用方面都表现优异。平均 DSC 分数为 89.79% 和 45.55%，平均运行时间为 11.25 秒，GPU 内存 - 时间曲线下的面积为 9627.82MB。

Sep, 2023

定量器官评估是自动腹部疾病诊断和治疗规划的重要步骤。人工智能（AI）在自动化这一过程中显示出巨大的潜力。为了克服现有 AI 算法在现实世界多国家设置中对准确性和效率的大规模评估以及缺乏全面评估的限制，我们组织了迄今最大规模的腹部器官分析挑战 FLARE 2022 Challenge，旨在评估快速、低资源、准确、注释高效和泛化能力强的 AI 算法。我们从 50 多个医疗团体构建了一个跨洲际和跨国家的数据集，包括来自不同种族、疾病、阶段和制造商的计算机断层扫描（CT 扫描）。我们独立验证了一组 AI 算法通过使用 50 个标记扫描和 2000 个未标记扫描实现了 90.0% 的中位数 Dice 相似系数（DSC），这可以显著减少标注要求。最佳表现的算法成功泛化到保留的外部验证集，分别在北美、欧洲和亚洲队列上实现了中位数 DSC 分别为 89.5%、90.9% 和 88.3%。它们还实现了关键器官生物学特征的自动提取，这在传统的手动测量中需要耗费大量人力。这有望利用未标记数据提升性能并缓解现代 AI 模型的标注短缺问题。

Aug, 2023

利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

Mar, 2024

本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

May, 2023

本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

Feb, 2024

提出一种名为 ASLseg 的新型半监督框架，能够有效地将 Segment Anything Model（SAM）适应于半监督设置，并结合肝脏肿瘤的领域特定和通用知识。通过使用特定的半监督范式训练的分割模型提供生成的伪标签作为 SAM 的微调提示，然后使用适应网络来改进 SAM 的预测并生成高质量的伪标签，最后选择可靠的伪标签来扩展标记集进行迭代训练。在 LiTS 数据集上进行的大量实验证明了我们的 ASLseg 具有超强的性能。

Dec, 2023

本文介绍了机器学习在人腹部器官分类中的应用，通过分析深度学习模型在肝脏和全部器官的单模态（CT / MR）和异模态任务上的性能表现，在多个任务中有不同表现。

Jan, 2020

本文提出了一种用于连续器官和肿瘤分割任务的创新结构，包括一系列轻量级的、类特定的输出头，以及将对比语言 - 图像预训练嵌入到器官特定的头中。实验结果表明该方法在学习过程中提高了基线神经网络对新引入和先前学习类别的分割性能。

Jun, 2023

基于 CT 图像的腹部多器官分割是诊断腹部病变和后续治疗规划至关重要的一项任务。本研究提出了一种新颖的 3D 框架，通过两种一致性约束方法进行 scribble 辅助的多腹部器官分割，表明该方法优于现有的五种 scribble 辅助方法。

Sep, 2023

通过深度学习的语义分割方法，我们提出了一种半监督框架用于盆腔器官的分割，该方法在语义分割和几何重建方面显著提高了性能，平均 Dice 系数可增加 2.65％，尤其对于难以分割的器官，如子宫，语义分割的准确性可提高最多 3.70％。

Nov, 2023