AutoCT 是一个综合的流水线系统，用于自动预处理、配准、分割和量化分析三维 CT 扫描图像，并通过有效的正向和逆向映射利用差异变形转化实现基于图谱的 CT 分割和量化，从变形场中提取定位特征，从而实施下游的统计学习以促进医疗诊断。AutoCT 是一个轻巧便携的软件平台，为 CT 成像领域提供了一个新的工具集，支持人工智能驱动应用的部署。

Oct, 2023

通过使用 C-SliceGen 生成预定义的椎体水平切片，从而解决了不同年份获取的切片之间的位置变化导致不同器官 / 组织被捕捉到的问题，并通过评估我们的方法在多个数据集上的能力，证实了我们的方法在减少体腔脂肪面积方面可以协调纵向位置方差，为单片纵向分析提供了一个有希望的方向。

Sep, 2023

提出了一种高效的自动头部 CT 图像三维重建方法，使用基于深度学习的目标检测算法自动重新格式化图像，并通过定性评估标准化重建结果展示了该方法的临床实用性和有效性。

Jul, 2023

使用一维卷积神经网络的回归模型，可以精确而稳健地确定计算机断层扫描图像的相对位置，与现有技术相比表现出更优异的效果，平均误差只有 1.69 厘米。

Nov, 2017

实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要，本文提出了一种新颖的方法，通过深度学习模型自动定位、标记和生成三维表面，然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展，实验证明该方法在 37 个椎体、5 名患者的基线和 3、6、12 个月后的随访图像上显示出了平均 Hausdorff 距离为 0.65 毫米和 Dice 分数为 0.92 的准确配准。

Feb, 2024

本文提出了一种用于精确肿瘤分割的定位到分割框架 (L2SNet)，通过定位潜在病变并利用位置信息对分割结果进行塑形，在 MICCAI 2023 全身 FDG-PET/CT 挑战数据集上取得了具有竞争力的结果，并在预备测试集中排名前 7 方法之一。

Sep, 2023

基于生成对抗网络（GAN）的优化 CT 重建模型能够重建 CT 体积，增强解剖结构并进行器官分割，从而提供了前瞻性估计 CT 有效剂量和风险最小化的过程。

Jan, 2024

我们提出了一种方法，通过计算基于图像强度的层次稀疏采样编码位置信息的查询点在源图像中的描述符，从而在纵向对比中匹配医学图像之间的解剖位置。通过层次搜索操作，在目标图像中找到具有最相似描述符的对应点。这种简单而强大的策略使得在单个 CPU 上将点映射到毫秒级时间尺度成为可能，从而使放射科医生可以在近实时下比较相似的解剖位置，而不需要额外的架构成本来进行预计算或存储来自注册的变形场。我们的算法不需要先前的训练、重采样、分割或仿射变换步骤。我们已在最近发布的深度病变跟踪数据集注释上测试了我们的算法。我们观察到与深度病变跟踪器相比，匹配更准确，同时比其中报告的最精确的算法快 24 倍。我们还调查了在 CT 和 MR 模态上的匹配准确性，并将所提出的算法的准确性与多名放射科医生的综合真实值进行了比较。

Aug, 2023

该研究提出了一种基于深度学习和图割优化的自动肝脏分割算法，可在临床设置中实现高效而准确的肝容积估算，可替代耗时且不可重复的手动分割方法。

May, 2016

甲状腺疾病的超声诊断中，通过自动定位超声图像切片到三维形状表示，可以减轻医生的认知负担，并为超声诊断提供方便。使用交叉模态配准和统计形状模型，该方法表明可以在患者特异性的三维解剖学和统计形状模型上准确定位图像切片，并为超声采集过程中的切片定位提供有用的工具。

Sep, 2023