本文提出了一种基于深度学习的多任务学习框架下的高效深度轮廓感知网络（DCAN）用于对组织学图像中的腺体进行精确分割，该方法不仅能输出腺体的准确概率图，还可以同时描述清晰的轮廓以分离聚集的物体。该方法在 2015 年 MICCAI 腺体分割挑战赛中胜出，超过了其他 13 个竞争对手的方法。

Apr, 2016

设计深度学习算法用于腺体分割对于自动癌症诊断和预后至关重要，然而昂贵的注释成本阻碍了该技术的发展和应用。本文首次尝试探索用于无监督腺体分割的深度学习方法，无需手动注释。为了克服语义分割方法在腺体图像上遇到的挑战，我们引入了关于腺体形态的经验性线索作为额外知识来指导分割过程。我们提出了一种新颖的基于形态学启发的选择性语义分组方法，通过该方法，最终分割网络能够学习关于腺体的综合知识，并产生清晰完整的预测。在 GlaS 和 CRAG 数据集上进行实验，我们的方法在 mIOU 上超过次优方法 10.56%。

Jul, 2023

本研究提出了一种基于完全卷积神经网络的方法，利用反卷积和空间上的金字塔池化，实现对结肠镜病理学图像中的腺体分割；此外，还使用随机变换来生成不确定性图以解决了高不确定性预测的问题，并且通过实验验证了模型性能优于现有方法。

Jun, 2018

本文提出了一种基于双解码器注意力网络的新型架构 DDANet，通过在 Kvasir-SEG 数据集上训练并在一个未见数据集上测试，达到了 0.7874 的 Dice 系数，0.7010 的 mIoU、0.7987 的召回率和 0.8577 的精度，证明了模型的泛化能力。

Dec, 2020

利用深度多通道框架和卷积神经网络，基于评估指标，提出了一种新颖的，具有高效性和普适性的肠腺组织图像实例分割算法。

Nov, 2016

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

通过引入名为 Dense Attention Gate 的新模块，建立了多层特征之间的本地特征关系，同时采用新的嵌套解码器架构来增强语义特征，并与 PVT 主干网络相结合，实现了多层密集特征的层次聚合，从而在多个数据集上取得了最新的性能表现，优于先前的模型。

Mar, 2024

提出了一种在线易学例挖掘（OEEM）方法，该方法鼓励网络专注于可信的监督信号而非噪声信号，从而缓解了伪遮罩中不可避免的误报预测的影响，针对腺体数据集的特点，设计了强大的腺体分割框架，其结果在 mIoU 方面超过了许多全监督方法和弱监督方法使腺体分割方法性能提高了 4.4% 和 6.04%。

Jun, 2022

本文使用基于 Transformer 的对比学习方法和迁移学习训练模型，通过创新性的方法提高了腮腺分割模型的性能，并比较了有监督学习模型与对比学习模型的表现差异。

Aug, 2022

为了提高医学诊断的效率和准确度，减少患者结直肠癌的风险，我们提出了一种名为 MLFF-Net 的新型息肉分割方法，该方法利用多级特征融合和注意机制。实验证明该方法不仅可以分割多种类型的息肉，还在准确性和概括能力方面优于现有最先进的方法。

Sep, 2023