该研究旨在通过上下文嵌入学习方法增强二维卷积神经网络以更好地进行三维图像分割，结果表明该方法能够有效利用层间上下文信息并提高分割性能。

Apr, 2024

本研究提出了一种基于自监督学习的 3D 医学成像的新型框架，即 Rubik's cube ++，通过对 3D 体数据进行体积化转换来更好地利用器官的内在三维解剖信息，可以预先训练 3D 神经网络，在胰腺分割和脑组织分割等各种任务中表现出更好的性能。

Jul, 2020

提出了一种名为 SegVol 的通用交互式体积医学图像分割模型，通过在 90k 个无标签的 CT 体积和 6k 个标记的 CT 上进行训练，该基础模型支持对 200 多个解剖类别的分割，使用语义和空间提示，在多个分割基准测试中表现明显优于现有技术，尤其在三个具有挑战性的病变数据集上，其 Dice 分数比 nnU-Net 高约 20%。

Nov, 2023

本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化 Dice 系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

Jun, 2016

提出了一种可学习的权重初始化方法，它利用可用的医学训练数据通过自监督目标有效地学习上下文和结构线索，易于集成到任何混合模型中，并且不需要外部训练数据，试验表明，这种方法在多器官和肺癌分割任务上具有前沿的分割性能。

Jun, 2023

本研究提供了基于深度学习的医学体积分割方法，既可以从头开始训练模型，也可以遵循标准的 “预训练，然后微调” 方法。本研究首次提出了一种名为 Med-Tuning 的新框架，基于内部阶段特征增强和阶段间特征交互，实现了医学级体积分割的参数高效转移学习，可在减少调整参数成本的情况下实现比以前最先进的参数高效转移学习方法和完全微调更好的分割效果。

Apr, 2023

文章提出了一种基于位置的对比学习 (PCL) 框架，用于从未标记的医学图像数据中生成对比数据对，以改善在医学图像分割中存在的假阴性对的问题，并在 CT 和 MRI 数据集上得到了实验验证。

Jun, 2021

提出了一种 3D 医学图像分割和检测的容积注意力（VA）模块。VA 注意力受到视频处理的最新进展的启发，并使得 2.5D 网络能够利用沿着 z 方向的上下文信息，从而在训练数据有限时允许使用预先训练的 2D 检测模型。其与 Mask R-CNN 的整合显示，在肝肿瘤分割挑战中实现了最优表现，超越了以前的挑战赢家 3.9 分，并在 LiTS 排行榜上达到了最佳成绩。在 DeepLesion 数据集上的检测实验也表明，将 VA 添加到现有的物体检测器中，可以获得 69.1 的灵敏度，每张图像的 0.5 假阳性，超越了已发表的最佳结果 6.6 分。

Apr, 2020

提出了一种基于上下文先验学习的通用医学图像分割方法 Hermes，适用于不同临床目标、身体部位和图像模态，并在七个数据集上证明了其性能优异，并且具有传输学习和概括到不同下游任务的强大能力。

Jun, 2023

本研究采用 3D 卷积神经网络对容积式医学图像进行分割，并提出了一种新的 3D 粗到细的框架，该框架不仅有效而且高效可靠，与 2D 方法相比取得更好的效果，并在临床应用中得到了可靠性保证。

Dec, 2017