前列腺 MRI 的持续基于图像的分割
本文介绍了一种半自动半自动前列腺磁共振图像分割方法的初步结果，旨在将其纳入前列腺放射性治疗的导航系统中。该方法基于由 18 个磁共振检查组成的人群计算的解剖图谱的配准，并采用一种混合配准框架，将基于强度的配准与强大的点匹配算法相结合，用于解剖图谱的构建和配准。在与专家分割相比的验证中，该方法的平均误差为 3.39 毫米，标准差为 1.95 毫米。我们认为，这种分割工具可能对临床医生的常规定量图像分析非常有帮助。
Jun, 2008
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
本文介绍了 DeepATLAS 的基础模型，用于高维生物医学数据中的定位任务。通过自监督目标的收敛，预训练模型将输入映射到解剖一致的嵌入空间，从而可以用一次或少量迭代的方法识别任何点或点集（例如，盒子或分割）。在经过全面训练的 DeepATLAS 模型上，基于超过 50 个解剖结构的四个外部测试集表现出高的一次分割性能，匹配或超过了标准的监督学习模型的性能。通过添加少量的有标签数据，可以进一步提高准确性，使用半监督或更常规的微调策略。
Feb, 2024
本文介绍了多个已发表的 MAS 算法和应用这些方法于各种生物医学问题的研究，并将 MAS 与其他方法进行比较和总结， 讨论了 MAS 的过去、现在和未来的发展趋势。
Dec, 2014
本文介绍了一种用于 3D 医学图像分割的新的 Atlas 引导的测试时间自适应方法，其仅需要一个单一的未标记测试样本作为输入，并通过最小化基于 Atlas 的损失来适应分割网络。此外，与大多数现有的测试时间自适应方法不同，该方法还利用通道和空间注意块来提高测试时间的适应性，并在多个数据集上表现出了优异的性能。
Jul, 2023
本文提出了一种结合传统概率性图谱分割和深度学习的策略，可以不需要手动标注映像即可为新的 MRI 扫描训练分割模型，在多种 MRI 对比度下，已经在成千上万个 MRI 扫描中通过实验证明了良好的准确性，并在 GPU 上测试只需要约 15 秒。
Apr, 2019
该研究采用深度学习算法中的 2D U-Net 来进行 MR 前列腺分割。通过对四个公开数据集的实验，该算法在前列腺分割中取得了较好的效果，并为未来研究者提供了标准化的实验设置。
Nov, 2020
该研究提出了一种弱监督的 MRI 和组织病理学图像的仿射和可变形配准方法，用于早期检测前列腺癌，可以减轻需要前列腺分割的负担，并取得了比其他方法更高的准确度。
Jun, 2021
本研究提出了一种利用非线性扩散张量配准和深度学习模型以及生物标志物密度图等多维数据来估计磁共振扩散成像技术（dMRI）生物标记的框架；其中，将深度学习和生物标志的统计映射相结合，被证明取得了比传统方法更高的精度。
May, 2022