肺癌和 COVID-19 是世界上患病率和死亡率最高的疾病之一。针对早期阶段疾病的病灶识别对医生而言是困难且耗时的，因此，多任务学习是一种从少量医学数据中提取重要特征（如病灶）的方法，因为它能更好地进行泛化。我们提出了一种新颖的多任务框架，用于分类、分割、重建和检测。据我们所知，我们是第一个将检测添加到多任务解决方案中的研究者。此外，我们还检查了在分割任务中使用两种不同的骨干网络和不同的损失函数的可能性。

Aug, 2023

通过融合预操作 CT 和模拟的术中 CBCT，研究了术中图像质量和错位对分割性能的影响，结果显示融合图像能够改善分割性能，即使显著错位的预操作数据也有潜力提高分割性能。

Jun, 2024

本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题，提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性，并在公共数据集上评估所提出的解决方案，对比实验结果表明，互补任务学习的加入在 Dice 评分方面达到了显著改进.

Aug, 2019

通过在多个阶段运用神经网络进行多相计算机断层扫描，结合分割模型和单相训练，我们的方法在肝脏病变分割性能上取得了 1.6% 的改进，并降低了 8% 的主体间性能差异。

Apr, 2024

通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。

Jul, 2023

通过多任务深度学习模型，以特征为导向的深度学习框架提供了一种新的方法，用于将低质量的锥形束计算机断层成像（CBCT）图像转换成高质量的类似于 CT 的成像，从而在压制伪影的同时保留了解剖细节。

Nov, 2023

该研究提出了一种新颖的半监督图像分割方法，该方法同时优化了监督分割和无监督重建目标，并使用了注意机制。使用未标记的和少量标记的图像进行训练，该方法在大脑肿瘤和白质高信号分割等应用中表现优异。多次尝试后，发现交替训练比联合训练成本更低且性能更好，同时，该注意力机制有助于更好地识别深层次图像特征。

Jul, 2019

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

本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

Feb, 2024

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