SegReg: 通过配准 MR 图像和 CT 注释分割 OARs
该研究使用深度学习技术对头颈癌患者的 MRI 和 CT 扫描图像中的 30 种危及器官进行分割，达到了目前挑战赛的最佳水平，并在头颈危及器官自动分割方面创造了新的技术前沿。
May, 2024
采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。
Sep, 2018
放疗是治疗鼻咽癌的主要有效策略，精确划定肿瘤区域和风险器官对辐射治疗至关重要。最近，深度学习在医学图像分割任务中取得了有希望的结果。本文详述了 SegRap2023 挑战赛，并分析了所有参与者的解决方案。
Dec, 2023
本研究提出了一种深度学习框架，用于在胸部 CT 图像中分割器官的关键部分，包括心脏、食管、气管和主动脉，该方法采用扩张卷积和聚合残差连接，在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络，取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。
May, 2019
本研究提出了使用卷积神经网络和图神经网络相结合的新型架构，基于自我监督学习的方法，无需基准来自动识别三维器官风险分割中的错误，为放射治疗过程提供了离线质量保证工具，以便识别需要专注于的区域。
Jun, 2022
该研究提出了一种名为 SepaReg 的分离区域级对比学习方案，通过图像分离和内部 - 跨组织蒸馏，解决了有限的像素注释和像素的语义相似度问题，从而在被用于放射治疗计划中的器官以及肿瘤体积的识别和定位中实现了更准确的性能表现。
Dec, 2021
本研究中，我们评估了 SAM 模型在临床放射治疗中的表现。SAM 在前列腺和肺区域的自动分割表现较好，而在胃肠和头颈区域的表现相对较差。然而，这些结果表明 SAM 对于使用单个训练模型完成四个区域的器官边界识别具有鲁棒的泛化能力。
Jun, 2023
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
该论文介绍了一种新颖的多模态方法，用于通过四种不同的成像模态进行脑损伤分割，同时对缺失模态等实际场景具有鲁棒性，以确保病变分割的可靠性。
Aug, 2023