本研究提出了一种新颖的医学体积和序列分割的简单方法，利用自监督学习和原型校准模块，通过不对称网络针对医学数据的特定不规则性进行训练，以在医学卷和序列方面提供高效精确的分割。

Jun, 2021

通过实现FAIR（持久性识别，可发现性，可访问性和重用性）原则，NCI IDC建立了一个公共图像库，其中包含多个癌症图像收集，该图像库可用于云端的ML服务，从而实现了CompPath研究的可重复复性。

Mar, 2023

通过稀疏注释的训练，可以实现在体积占比显著减少的情况下（仅48个注释体积），得到Dice分数大于0.85且与使用完整数据集（每个数据集分别为160和240个卷积）相当的分割结果，而相对于训练更多的体积，训练更多的切片注释提供更有价值的信息。在切片注释的评估中，中央区域注释的效果最佳，而顶部区域注释的效果最差。在注释体积与切片之间的权衡中，尽可能注释更多的切片而不是更多的体积是更好的策略。

Jul, 2023

通过3D和2D网络的交叉教学，我们提出了一种从稀疏注释中稳健学习的框架，采用硬-软置信度阈值和一致标签融合两种伪标签选择策略，实验证明我们的方法优于半监督分割方法的最先进成果，并且与全监督的上限结果相媲美。

Jul, 2023

建立了一种深度学习方法，探索了稀疏标注，即每个3D训练MR图像只有一个2D切片进行标注，与ICT相比，该方法在分割准确性方面取得了显著提升，对于前列腺分割，平均B-IoU增加了10.0%以上（提出的方法B-IoU：70.3% vs. ICT B-IoU：60.3%），对于左心房分割，平均B-IoU增加了6.0%以上（提出的方法B-IoU：66.1% vs. ICT B-IoU：60.1%）。

Dec, 2023

通过引入四个评估度量值来量化真实用户和模拟用户之间的转换，我们提出一种更逼真的机器人用户，通过考虑点击变异和标注者之间的不一致性来减小模拟与真实用户之间的差距，并通过一个具体案例表明这种机器人用户相比传统机器人用户能够持续减少模拟与真实用户之间的转换差距，从而在同时保持真实用户研究的准确性的情况下，能够更大规模、更节约成本地评估交互分割模型。

Apr, 2024

通过引入自我关注机制，本研究提出了一种用于将2D功能磁共振成像切片与3D参考体积对齐的端到端切片级运动校正模型，以增强其对输入数据变化和不确定性的鲁棒性，并实现实时头部运动跟踪。

Apr, 2024

本论文提出了一种仅使用有限的标注数据和大量未标注图像的单张标注数据训练模型而不依赖图像配准的几乎无监督医学图像分割（BSS）方法，采用无噪声标注数据构建算法和频率空间混合策略，用于减轻数据间的领域转移问题，实验证明该方法对BSS具有很高的性能。

May, 2024

我们提出了一种基于关键点的通用脑MRI配准基础模型，称为BrainMorph，它支持多模态、成对和可扩展的团体配准，该模型在大规模的数据集上进行训练并展示了出色的配准准确性和速度。

May, 2024

本研究解决了3D医学数据注释耗时且需要专业技术的难题。我们将通用的提示式分割算法SAM 2适应于3D医学图像注释，并通过3D Slicer软件提供了实现，使用户能够在2D切片上放置点提示，以生成注释掩模并在整个体积中传播这些注释。该扩展可提高医学图像的注释效率，具有重要的应用潜力。

Aug, 2024