我们开发了一个开源且易于使用的分割模型，可以独立于 MR 序列，自动且鲁棒地对大多数主要解剖结构进行分割。

May, 2024

采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

Feb, 2015

提出了一个能够在 MRI 扫描中进行多器官分割的深度学习模型，通过解决 MRI 分析中分辨率、标准化强度值和序列可变性的挑战，为当前的 MRI 分析限制提供了解决方案。

May, 2024

本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

Jan, 2019

基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

Mar, 2024

利用深度学习模型 - AnatomyNet 可以自动分割头颈部 CT 图像中的 OARs，该模型的 3 个核心特点包括全容积编码方式、编码层中的 3D squeeze-and-excitation 剩余块、以及基于 Dice 分数和 focal loss 的新损失函数。相较于之前的分割方法，AnatomyNet 显著提高了分割精度（Dice 相似系数增加了 3.3%），同时可在 0.12 秒内处理完整个头颈部 CT 图像，并且无需或很少需要前 / 后处理步骤。

Aug, 2018

我们提出了一种通用的深度学习模型，用于对 MRI 骨骼进行分割，可在多个标准 MRI 位置进行全自动分割，并提供提示式分割。

Jan, 2024

利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

Mar, 2024

通过深度学习的数据增强策略，我们提出了 AnatoMix 方法，可以增加多器官分割数据集的泛化能力，从而在公共 CT 数据集上实现了更高的平均 Dice 值（76.1）与基准方法（74.8）相比。

Mar, 2024

通过使用基于 nnU-Net 的伪标签和解剖导向的伪标签细化的顺序过程，结合各种碎片化的知识库，我们生成了一个包含 142 个体素级标签对 533 个体积进行了全面解剖覆盖的全身 CT 扫描数据集，该数据集已获得专家批准。我们的方法在标签整合阶段不依赖于手动注释。使用人类专家评估、在 BTCV 数据集上进行的深度学习有用性基准测试（在不使用其训练数据集的情况下实现了 85% 的 Dice 分数）以及医学有效性检查，我们检验了其合理性和实用性。除数据集外，我们还发布了能够对 CT 数据上的 142 种解剖结构进行预测的训练好的统一解剖分割模型。

Jul, 2023