通过使用解剖先验与挑战训练数据的部分注释结合的方法，将所有建议的修改用于模型集成，得到的 Dice 得分为 0.6033，并且相比只在 CT 上进行训练时，将地面真实淋巴结分割出来的比例从 27% 提高到了 57%。通过在损失加权和后处理中加入概率淋巴结图谱，显著提高了分割准确性，通过过采样完全注释的数据来应对挑战训练数据的部分注释，并添加额外的数据增强以解决 CT 图像和淋巴结外观的高异质性。

Jun, 2024

通过利用淋巴结（LN）站点信息，我们提出了一种新的端到端框架来提高 LN 检测性能，通过设计多头检测器，使每个头专注于区分特定站点的 LN 和非 LN 结构，通过 LN 站点分类器生成伪站点标签作为训练期间的多任务学习，从而在推理期间不需要另一个明确的 LN 站点预测模型。

Jul, 2023

该研究提出了一种采用深度卷积神经网络对 CT 扫描中自动检测淋巴结进行分类的方法，并分别在包括 90 CT 体积和 388 个纵隔 LN 以及 86 例患者和 595 个腹部 LN 的两个数据集上验证了其敏感性的极大提高。

Jun, 2014

研究中以病理性淋巴结划分为关键，探讨了 MICCAI 2023 淋巴结定量挑战赛中弱监督学习、深度学习模型以及分割性能的相关内容。

Jun, 2024

通过改进 2D 骨干网络，结合多尺度 2.5D 特征融合来明确地融入 3D 上下文，以提高淋巴结检测性能。通过头部 IoU 预测和位置去偏置查询选择，以及利用查询对比学习明确增强淋巴结查询，该方法在医学图像中获得了较好的性能。

Apr, 2024

本文提出了一种利用机器学习技术进行肝脏和淋巴结中癌变病灶精确鲁棒检测和分割的全自动方法，验证表明此方法对高度多样化的病灶具有较好的鲁棒性。

Mar, 2017

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

该研究介绍了将深度学习应用于放射治疗中的高级治疗：全骨髓和淋巴结照射（TMLI）中，通过 nnU-Net 框架发展了 2D 和 3D U-Net 模型，对 PTV 进行分割，实现了显著的改善。

Feb, 2024

通过优化 V-Net 模型的器官分割算法，提高小体积器官的分割精度，特别是眼球晶状体的分割，在医学影像中取得了显著的改进。

Apr, 2024

本文提出了一种计算机辅助检测（CAD）管道，使用神经网络普适性地在容积 T2 MRI 中识别腹部淋巴结（LN），其灵敏度比目前 SOTA 方法高 14 个百分点（4FP 时的 78.7％对比每卷 5 FP 的 64.6％）；VFNet 模型表现优异，能够在 CAD 管道中与单阶段模型集成使用。

Mar, 2022