提出了一种 PBNet 方法，由多级全局感知模块（MGPM）和边界引导模块（BGM）组成，用于从超声图像中分割乳腺肿瘤。在 MGPM 中，建模了单层特征图中体素之间的长程空间依赖关系，然后融合了多级语义信息以提高模型对非增强肿瘤的识别能力。在 BGM 中，使用最大池化的膨胀和侵蚀效果从高级语义图中提取肿瘤边界，并利用这些边界来引导低级和高级特征的融合。通过对公开可用数据集和院内数据集进行的广泛对比实验表明，所提出的 PBNet 在定性可视化结果和定量评估指标方面优于现有的方法，Dice 分数、Jaccard 系数、特异性和 HD95 分别提高了 0.70%、1.1%、0.1% 和 2.5%。此外，割舍实验证明了所提出的 MGPM 对于区分非增强肿瘤以及 BGM 和 BS 损失对于优化肿瘤的分割轮廓也是有帮助的。

Oct, 2023

使用 nnU-Net 模型，研究探讨不同序列的 mpMRI 在乳腺肿瘤分割中的影响，并通过在多中心 mpMRI 数据集上的评估，证明了使用动态对比增强 MRI 序列可以获得较高的功能性肿瘤体积分割 Dice 相似系数和整个肿瘤掩膜分割改善。然而，添加 T2w 序列对结果影响不显著，需要进一步研究。该研究为未来的乳腺癌治疗反应预测提供基础。

Jun, 2024

本研究提出了一种改进的 MultiResU-Net 用于组织病理学图像分割，该模型通过多尺度分析和分割复杂特征，并通过跳跃连接确保有效的特征传递；改进版本还利用基于高斯分布的注意力机制在高斯分布中合并与组织病理学相关的文本信息；最后，通过对 MultiResU-Net 的跳跃连接采用控制稠密残差块，以从编码器层向解码器层传递信息，使用从提取的空间特征导出的缩放参数，以控制的方式进行传递。验证实验表明，在 TNBC 和 MonuSeg 等两种不同类型的乳腺癌组织病理学图像数据集上，与现有方法相比，该方法展现出卓越的分割性能。该模型的代码可在该 https URL 找到。

Jun, 2024

本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

Jul, 2023

本文提出了一种新的多头框架，使用扩张卷积和共享残差连接来对多参数 MRI 图像进行分开编码，以及进行了一系列架构实验来评估基于多参数输入信道和特征编码配置的肿瘤分割性能。

Jun, 2023

本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

Feb, 2020

本文介绍了深度多放大率网络，采用多级别数字化全层切片图像的一组修补程序对部分注释进行训练，实现对乳腺癌多类组织的自动化分割，表现出高交叉共同区的意义，可用于协助病理学家评估乳腺癌。

Oct, 2019

本文提出一种利用极点标注对乳腺癌 DCE-MRI 图像进行弱监督学习分割的方法，使用多阶段 fine-tune 和 SimPLe 等策略，取得了 81% 均值 Dice 值。

Jun, 2023

本文提出了先验知识神经网络 (PaNN) 方法来解决多器官 CT 分割中部分标记数据集的背景模糊问题，PaNN 应用了解剖先验知识指导训练。在 MICCAI2015 挑战中，PaNN 模型取得了 84.97% 的平均 Dice 分数，超过之前的最优结果 3.27%。

Apr, 2019

我们提出了一个分割模型 (DRU-Net)，可以提供人类非小细胞肺癌的分割，以及可以改善分类结果的增强方法。该模型是截断预训练 DenseNet201 和 ResNet101V2 的融合组合，作为基于补丁的分类器，随后使用轻量级 U-Net 作为修正模型。我们使用了两个数据集 (Norwegian Lung Cancer Biobank 和 Haukeland University Hospital lung cancer cohort) 来创建我们的模型。DRU-Net 模型的平均 Dice 相似性系数为 0.91。所提出的空间增强方法 (多镜头扭曲) 使网络性能提高了 3%。我们的研究结果表明，选择包含感兴趣区域的图像补丁相对于其他采样方法，在基于补丁的分类器方面能够取得更好的结果。定性分析显示，DRU-Net 模型在肿瘤检测方面通常是成功的。在测试集中，一些情况显示出假阳性和假阴性分割区域，特别是在伴有炎症和反应性变化的肿瘤中。

Jun, 2024