使用深度学习方法，我们提出了一种肾脏实质和肾脏异常的分割方法，以帮助临床医生识别和量化肾脏异常，如囊肿、病变、肿块、转移和原发肿瘤。我们的方法通过训练 215 例胸腹部增强 CT 扫描，其中一半扫描含有一个或多个异常，实现了肾脏异常的准确分割和肾脏实质的改进分割。最佳模型的 Dice 分数在测试集中表现优异，超过了独立人眼观察者的分数，表明计算机化方法在肾脏异常分割中有进一步改进的潜力。

Sep, 2023

实施和训练深度学习模型以从非对比度 CT 扫描中分割肾脏和囊性肾病变，该模型能够提供高度准确的分割，肾脏的中值 Dice 相似系数为 0.934。

May, 2024

探索了在 CT 图像中精确分割肾脏、囊肿和肾肿瘤的各种 3D U-Net 训练配置和有效后处理策略，并通过 2023 肾脏和肾肿瘤分割（KiTS23）挑战数据集的验证，在未见过的测试数据上取得了第二名的最终排名，平均 Dice 系数为 0.820，平均 Surface Dice 系数为 0.712。

Dec, 2023

本文研究利用基于深度学习的自动三维分割方法识别肾脏肿瘤并自动量化其形态，提供 210 多个样本的训练集和约 90 个样本的测试集。

Dec, 2019

本研究提出了一种基于卷积神经网络的肾和肾肿瘤分割方法，通过设计边界分支和边缘感知损失函数，可靠地从腹部 3D CT 扫描中分割肾脏和肾肿瘤，并在 2019 MICCAI KiTS 肾肿瘤分割挑战数据集上实现了出色的分割效果。

Sep, 2019

该研究介绍了一种用于非对比度计算机断层扫描 (Non-contrast computed tomography, NCCT) 中肾癌检测的自动化流程，通过测试三种检测模型：形状模型、二维及三维轴向样本模型，从开放数据源和剑桥大学医院收集训练和测试数据，结果显示二维轴向样本模型在小于等于 40mm 直径肿瘤的检测中具有最高的曲线下面积 (Area Under the Curve, AUC) 达到 0.804；该流程在未知测试数据上对小型肾癌实现了 61.9% 的敏感性和 92.7% 的特异性。该流程比以往自动检测 NCCT 中小型肾癌的尝试更为准确，为肾癌筛查提供了有希望的突破。

Nov, 2023

本研究提出了一个基于自动语义分割的肾脏和肾脏肿瘤形态学特征检测方法，并建立了覆盖肾性肿瘤磨损模式的数据集，通过这个数据集开展肾性肿瘤分割的任务以提高磨损模式分析效率。

Mar, 2019

本文提出了一种名为 “Crossbar-Net” 的新型自动分割方法，该方法通过 “十” 字路口状图案的非正方形补丁进行训练，并使用级联卷积神经网络进行水平和垂直方向的分割结果集成，该方法在真实的 CT 肾肿瘤数据集上的表现优于最先进的分割方法，并获得更好的一致性和泛化表现。

Apr, 2018

研究中采用 2.5D ResUnet 构建一个高效的粗到细语义分割框架，对 CT 扫描中的肾脏、肾脏肿瘤和肾囊肿进行自动分割。实验结果表明，肾脏、肿瘤和囊肿的 Dice 系数分别为 0.954、0.792、0.691，表面 Dice 系数分别为 0.897、0.591、0.541，平均每个 CT 扫描的推断时间为 20.65 秒，最大 GPU 内存为 3525MB，这表明在模型性能和效率之间取得了更好的平衡。

Nov, 2023

通过结合 CT 成像和临床数据，该研究旨在设计一个全面的深度学习模型，能够预测肾细胞癌患者的存活概率，解决之前研究中存在的局限性，以便识别需要紧急治疗的患者。

Jul, 2023