利用 Swin UNETR 的基于人工智能的完全自动化血液分割工具，该研究开发和验证了针对非对比增强 CT（NCCT）扫描的 SAH 患者的自发性蛛网膜下腔出血（SAH）的准确容积评估方法，其效果鲁棒且具有广泛的临床可采用性。

Dec, 2023

本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来，以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数，可用于未来分析和比较。

Oct, 2019

本文提出了一种基于深度学习技术的脑卒中损伤分割方法，旨在实现损伤扩展和影响的客观测量，以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割，并同时提供损伤体积和对大脑结构的加权损伤量量化。

Jun, 2023

建立了 ICH 和正常对比以及三种 ICH 图像分类（深部、皮质下和叶间）的数据集，提出了一种用于自动分类和诊断 ICH 图像的双任务视觉变换器（DTViT）。实验结果表明，我们提出的多分类网络在实际测试数据集上表现良好。

May, 2024

在手术中引入自动化是为了在手术中卸载外科医生和助手的心理和体力任务的同时，提高手术的效率和安全性。为了推动手术中血液检测算法的发展，我们提出了 HemoSet，这是第一个基于在实时动物机器人手术过程中出血情况的血液分割数据集。我们对多个最先进的分割模型进行了基准测试，并深入探讨了与血液检测相关的难题。我们希望 HemoSet 能够促进自主血吸工具的发展，为训练和改进血液分割模型提供平台，从而满足此类机器人技术所需的精度要求。

Mar, 2024

文章使用 RADnet 模型进行自动化脑出血检测，与三位资深放射科医师所作的独立分析相比，RADnet 在 CT 水平上展现了相当的出血预测准确性，并且在召回方面高于两位医师，实现了 3D 上下文的加入，检测性能非常优越。

Oct, 2017

通过使用图像级别的二元分类标签，我们提出了一种新颖的 NCCT 扫描弱监督深度学习方法用于 ICH 分割，该方法通过分类网络的类激活图确定 ICH 的大致位置，并使用无监督方法获取的伪 ICH 掩膜进一步改进 ICH 分割

Sep, 2023

通过开发脑出血分割数据集（BHSD），本研究提供了一个包含 192 个像素级注释卷和 2200 个切片级注释卷的 3D 多类脑出血数据集，展示了该数据集在监督和半监督脑出血分割任务上的效用，并提供参考基准实验结果供进一步模型开发和评估使用。

Aug, 2023

使用基于卷积神经网络的算法通过处理初始 CT 扫描图像，能够以高准确度预测蛛网膜下腔出血患者的死亡率。

Aug, 2023

自动血管分割在生物医学成像中至关重要，但由于血管结构的复杂性、患者间解剖变异、公开数据集的稀缺性和图像质量等原因，精确分割仍然具有困难。本研究通过深入文献研究，探讨机器学习技术在不同器官中的应用，旨在为新型成像模态下的血管分割提供坚实的基础并确定一个稳健的基准模型。研究使用由 Hierarchical Phase Contrast Tomography (HiP CT) 在人体器官图谱项目中成像获得的三个肾脏的双注释器验证的训练数据集，并采用 nnU Net 模型进行实验评估。结果显示，尽管分割性能表现较好（clDice 值在 0.82 到 0.88 之间），但存在一些错误，如由于缺乏静水压力（HiP CT 是一种离体技术）而导致的大血管分割效果较差，以及细小血管连接性减弱和血管边界处更高的分割误差。通过本研究和输出，我们旨在为后续基于不同成像模态的模型评估建立一个基准，特别是使用 HiP CT 成像数据库。

Nov, 2023