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

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

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

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

通过使用神经网络实现软骨骨分割和基于骨骼图的非刚性配准方法，能够精确地将 CT 通路映射到个体患者上，提高内脏器官的可视性。

Jun, 2024

KiTS 2023 挑战是一个平台，让研究人员比较他们对三维 CT 图像的分割解决方案。本研究描述并使用 MONAI 中的自动化分割工具 Auto3DSeg 参与挑战，我们的解决方案平均 Dice 系数为 0.835，表面 Dice 系数为 0.723，排名第一并赢得了 KiTS 2023 挑战。

Oct, 2023

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

提出了一种名为 MRISegmentator 的 T1 加权腹部 MRI 序列的自动、准确和可靠的 62 个脏器和结构的分割工具，具有加速疾病诊断、放射治疗和异常检测等临床研究的潜力。

May, 2024

本文介绍 2021 年肾脏和肾脏肿瘤分割挑战 (KiTS21) 的挑战报告，该挑战目的是针对医学图像计算和计算机辅助干预领域的肾肿瘤分割进行不断改进和提高，以提供有用的见解。

Jul, 2023