本文提出了一种从全幅切片图像中识别细粒度肾小球病变的方案，通过一个聚焦实例结构相似性 loss 来驱动模型精确定位所有类型的肾小球，设计了一种不需要边界框注释的不确定性辅助配应网络来进行细粒度视觉分类，结果表明，相比较其他显著检测方法，在幻灯片评估中平均精度优化率为 8-22% 的提高，全面证明了该方法的有效性。

Mar, 2022

基于大型模型的图像分割和语义检索，构建了一个检索系统，通过文本描述来检索肾脏病理图像。

May, 2024

该研究提出了一种基于扩散模型、Transformer 模块和 RCNN 的无锚点实例分割模型，能有效识别肾脏活检中的肾小球、肾小管和动脉，成为新的最先进方法，达到了 51.7% 的检测准确率。

Sep, 2023

Omni-Seg 是一种新颖的单一动态网络方法，利用多站点、多尺度的训练数据，通过利用部分标记图像来分割肾脏微血管结构。实验结果表明，Omni-Seg 在 Dice 相似系数和交并比方面优于其他方法，为肾脏微血管结构的定量分析提供了强大的计算工具。

Aug, 2023

利用详细的解剖学见解，我们提出了一种新颖的分层自适应分类分割 (HATs) 方法，用于彻底地分割肾结构的全景视图。实验结果表明，HATs 方法为将临床见解和图像先例整合到超过 15 个类别的统一分割模型中提供了一种高效且有效的策略。

Jun, 2024

这篇论文评估了深度学习方法在肾脏层结构分割上的可行性，研究采用了代表性的卷积神经网络和 Transformer 分割方法，并在小鼠肾脏癌症 WSIs 上定量评估了六个深度学习模型，结果显示 Transformer 模型通常优于基于 CNN 的模型。

Sep, 2023

本文研究利用基于深度学习的自动三维分割方法识别肾脏肿瘤并自动量化其形态，提供 210 多个样本的训练集和约 90 个样本的测试集。

Dec, 2019

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

本研究提出了一种基于卷积神经网络的肾和肾肿瘤分割方法，通过设计边界分支和边缘感知损失函数，可靠地从腹部 3D CT 扫描中分割肾脏和肾肿瘤，并在 2019 MICCAI KiTS 肾肿瘤分割挑战数据集上实现了出色的分割效果。

Sep, 2019

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