一个基于注意力机制的新型切割框架 MFA-Net（多尺度特征融合注意力网络）在医学 CT 图像中分割器官感兴趣区域，通过学习多个尺度的特征图并与现有方法进行比较，实验结果表明 MFA-Net 在不同尺度的图像上产生更加精确的分割。

May, 2024

论文提出采用固定点模型，利用预测分割掩码来缩小输入区域，从而提高深度神经网络在腹部 CT 图像中的器官分割准确性，针对胰腺等较小的器官分割效果得到明显提升。在 NIH 胰腺分割数据集上表现出超过 4% 的优异表现。

Dec, 2016

本文提出了一种基于循环显著性转换网络的方法对腹部 CT 扫描中的小器官进行分割，该方法利用循环的显著性转换模块进行多阶段视觉信息的传播，不仅在 NIH 胰腺分割数据集上获得了最新的测试结果，在一个更大的数据集上也表现出更好的收敛和高准确率。

Sep, 2017

采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

Jun, 2019

带有少于 100 万个参数的模型，PMFSNet 在各种分割任务中实现了卓越的性能，同时避免了较大模型中的计算冗余。

Jan, 2024

本文提出了一种新颖的注视模型用于语义分割，该模型聚合了多尺度和上下文特征进行预测。该模型使用骨骼卷积神经网络框架输入多个不同的尺度，进而可以获取不同尺度的表示。提出的注视模型将分别处理不同尺度的特征并集成它们。然后，该模型的位置注视分支学习到每个像素位置上的多尺度特征的软加权。此外，我们添加了一个重新校准分支，与位置注视分支平行，用于重新校准每个类别的分数图。在 PASCAL VOC 2012 和 ADE20K 数据集上，我们取得了相当有竞争力的结果，超过了基线和相关工作。

Jul, 2018

该研究使用卷积神经网络和递归神经网络对放射学图像中的胰腺进行自动分割，以进行计算机辅助筛查和定量评估。

Mar, 2018

在本文中，我们提出了基于高效轴向注意力的多尺度交叉轴向注意力（MCA）来解决医学图像分割中的多尺度信息获取和像素之间的长程依赖问题，通过计算两个平行轴向注意力之间的双交叉注意力来更好地捕捉全局信息。同时，我们还使用不同核尺寸的多个条状卷积来处理病变区域或器官的显著变化，以提高空间信息的编码效率。经过实验证明，我们的网络 MCANet 仅具有 4M + 参数，在皮肤病变分割、细胞核分割、腹部多器官分割和息肉分割等四个具有挑战性的任务上，表现比大型骨干模型（如 Swin Transformer）更出色。

Dec, 2023

本论文研究了怎样在卷积神经网络中实现多尺度特征表示，提出了一种注重对每个像素位置进行加权的注意力机制。通过对三个大型数据集的广泛实验，证明了该方法的有效性。

Nov, 2015

这篇论文提出了一种结合了卷积神经网络和循环神经网络的方法，利用 LSTM 进行序列处理来解决胰腺 CT 和 MRI 扫描的精确分割问题，且提出了一种名为 Jaccard Loss 的新的分割损失函数，优化 Jaccard 指数直接达到了比 CT 和 MRI 胰腺分割的现有方法更好的效果。

Jul, 2017