本文提出了一种少样本分割框架来生成排除肌肉内脂肪 (IMF) 的股肌掩模，该方法以新的伪标签校正和评估方案为基础，以及一种新的噪声稳健的损失以利用高确定性区域。

Apr, 2023

该研究提出了一种基于 3D Transformer 的分割方法，采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征，通过在公共数据集中对脑肿瘤的分割实验验证，证明其优于其他目前最先进的方法。

Apr, 2023

该研究开发了一种基于 Transformer 的神经网络 TraBS 用于乳腺 MRI 图像的纤维腺细胞组织分割，相比于传统的卷积神经网络 nnUNet，TraBS 的表现更好，这有助于提高乳腺 MRI 筛查中乳腺密度和背景实质增强的精度。

Apr, 2023

通过提出一种新的变分推断框架来考虑多读者不确定性，该方法利用一个潜在向量来编码多读者的变异性以及对影像数据固有信息损失进行对抗，通过优化其证据下界有效地近似分割地图的分布。实验结果表明了该方法的有效性。

Jan, 2022

通过深度生成网络模拟人体解剖分割的总体和局部形貌特征，并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断，从而为大规模的体积成像研究提供高通量分析的新方法。

Jun, 2019

通过使用基于 nnU-Net 的伪标签和解剖导向的伪标签细化的顺序过程，结合各种碎片化的知识库，我们生成了一个包含 142 个体素级标签对 533 个体积进行了全面解剖覆盖的全身 CT 扫描数据集，该数据集已获得专家批准。我们的方法在标签整合阶段不依赖于手动注释。使用人类专家评估、在 BTCV 数据集上进行的深度学习有用性基准测试（在不使用其训练数据集的情况下实现了 85% 的 Dice 分数）以及医学有效性检查，我们检验了其合理性和实用性。除数据集外，我们还发布了能够对 CT 数据上的 142 种解剖结构进行预测的训练好的统一解剖分割模型。

Jul, 2023

通过比较我们的内部工具和 TotalSegmentator 的测量结果，研究表明我们的工具在测量皮下脂肪和肌肉方面表现优于 TotalSegmentator，并且在内脏脂肪的分割方面两种工具之间存在可靠的一致性。这些结果显示了我们的工具在提高人体组成分析的准确性方面的潜力。

Jan, 2024

本研究提出了一种通用的交叉模态医学图像合成方法，通过端到端的三维卷积神经网络实现具有真实感的立体图像合成和分割任务，以便作为补充训练样本，进一步提高分类器的泛化能力，生成放射疗法计划所需的 X-ray 衰减图等。对 4,496 个 CT 和磁共振成像 (MRI) 心血管体积的广泛实验表明，两个任务相互促进，耦合这两个任务比单独解决它们更有利。

Feb, 2018

本文提出了一种基于深度学习技术的脑卒中损伤分割方法，旨在实现损伤扩展和影响的客观测量，以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割，并同时提供损伤体积和对大脑结构的加权损伤量量化。

Jun, 2023

本文提出了一种新的自动化机器学习算法 T-AutoML，它不仅可以搜索最佳神经结构，而且可以同时找到最佳超参数和数据增强策略。该方法利用现代 transformer 模型适应搜索空间嵌入的动态长度并在多个大规模公共病变分割数据集上达到了最先进的性能。

Nov, 2021