通过深度学习，自动化 Fleischner 协会的视觉评分系统，识别和分析肺气肿亚型和严重程度。在 COPDGene 研究中，我们的算法在预测准确率上达到 52％，超过之前发表方法的 45％准确率。此外，我们的方法与视觉评分之间的一致性良好，而之前的方法仅获得中度一致性。我们的方法还可以计算每个肺部的肺气肿受累百分比，并扩展其预测能力以包括间质性肺气肿亚型。

Sep, 2023

通过 3-D 挤压和激励卷积神经网络，在肺部计算机断层扫描中实现了对空间统计学信息感知的肺纹理模式和肺气肿亚型的准确分类。

Mar, 2024

COVID-19 大流行病反应凸显了深度学习方法在通过计算机断层扫描 (CT) 对肺部疾病的正常和异常组织进行自动分割方面的潜力，这些方法不仅有助于临床决策，还有助于理解新型疾病。为了解决手动分割大型 CT 数据库的繁重性质，我们使用多态训练优化了一个网络，以表示多个分层解剖结构，间接优化了更复杂的标签。我们结合来自不同来源的 6000 多个不同格式的手动和自动标签的 CT 扫描，使用多任务学习和多态训练开发了 MEDPSeg，一种用于单向预测肺部、气道、肺动脉和肺病变分割的端到端方法。我们在多个目标中取得了最先进的性能，特别是在地面玻璃浑浊度和病变分割方面，这是一个具有有限手动注释可用性的具有挑战性的问题。此外，我们提供了一个开源实现，具有图形用户界面的链接：https:// 此处为 URL。

Dec, 2023

本文提出了一种基于多编码器的自适应硬注意力网络 (MESAHA-Net) 的方法用于 CT 扫描中肺结节的精确分割，该方法包含一个关注块和一个解码器块，采用了一种新颖的自适应硬注意力机制，能够在不同种类的输入下针对肺结节进行 2D 逐层分割，生成 3D 容积分割，经 LIDC-IDRI 数据集全面评估后发现，在医疗实现中具有高鲁棒性和更好的分割精度和计算复杂度。

Apr, 2023

利用深度学习方法实现肺叶分割，在一个手动标注的数据集上测试所提出的方法，通过设计一个混合损失函数来解决类别失衡问题，并在独立数据集上进行了测试，取得了比基线模型高达 5.87% 的表现。

Mar, 2019

通过多中心数据集，使用高斯纹理特征和加权逻辑分类器诊断慢性阻塞性肺疾病 (COPD)，并发现其优于已有的弱监督学习方法。

Jan, 2017

采用不同的深度学习方法和训练数据集对肺部分割进行比较，结果表明使用多样化的训练数据集可以提高准确性，并且使用 U-net 方法具有更高的 Dice 相似系数。

Jan, 2020

本文介绍了 S-MEDSeg，一种基于深度学习的方法，通过改进已有方法实现了精确分割胸部 CT 图像中的肺部病变，该方法的网络改进显著提高了分割性能，并在研究长期 COVID 住院患者的数据集中应用，研究了后急性感染疫苗对肺部病变程度的影响。

Oct, 2023

肺部掩模创建缺乏明确的标准和规范指南，导致注释者之间存在较高的主观性。在这项研究中，我们通过与计算机断层扫描（CT）评估的总肺容积进行比较，评估了按照当前最先进方法创建的胸部 X 线分割掩模上的肺部区域的低估情况。我们发现，通过遵循心脏、纵隔和膈肌的轮廓创建的肺部 X 线掩模严重低估肺部区域，并从进一步评估中排除了很大部分肺部，这可能导致许多临床错误。

Feb, 2024

本研究提出了一种基于 HRNet 的特征增强的敌对半监督语义分割模型，通过添加少量未标记图像实现了对不同数据集的适用，从而自动标注计算机断层扫描肺动脉造影（CTPA）图像中肺栓塞病变区域的位置。与当下的标准模型相比，该模型在 mIOU、Dice 系数和灵敏度方面实现了显著优化。

Apr, 2022