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

应用基于转换器的模型进行训练，研究论文中介绍了在计算机断层扫描中腹部多器官分割的重要性以及深度学习方法在此方面的应用。尽管由于器官边界模糊、复杂的背景和不同器官尺度的挑战，单个网络精确分割不同器官仍然具有挑战性。先前的竞赛中基本上所有前五名的方法都使用了基于卷积神经网络的方法，与此相对，本研究中使用基于转换器的模型，并以竞赛中的大量样本为基础，展示了转换器模型在腹部多器官分割中的可行性及结果表现。

Sep, 2023

基于 CT 图像的腹部多器官分割是诊断腹部病变和后续治疗规划至关重要的一项任务。本研究提出了一种新颖的 3D 框架，通过两种一致性约束方法进行 scribble 辅助的多腹部器官分割，表明该方法优于现有的五种 scribble 辅助方法。

Sep, 2023

该论文介绍了一个大规模的腹部 CT 器官分割数据集 AbdomenCT-1K，其中包括来自 12 个医疗中心的 1000 多个 CT 扫描，并指出现有的分割方法在不同医疗中心、不同阶段和看不见的疾病上存在一定的局限性，提出了用于此类数据的四个器官分割基准以及针对这些基准的简单而有效的方法，这将有助于未来的医学影像研究。

Oct, 2020

本文介绍了机器学习在人腹部器官分类中的应用，通过分析深度学习模型在肝脏和全部器官的单模态（CT / MR）和异模态任务上的性能表现，在多个任务中有不同表现。

Jan, 2020

提出了一种名为 MRISegmentator 的 T1 加权腹部 MRI 序列的自动、准确和可靠的 62 个脏器和结构的分割工具，具有加速疾病诊断、放射治疗和异常检测等临床研究的潜力。

May, 2024

在这项研究中，我们提出了使用半监督学习和迭代伪标签策略来解决 FLARE23 挑战，在通过完整器官注释数据集训练的深度模型 (nn-UNet) 生成伪标签后，在 FLARE23 数据集上，我们的方法在器官分割和肿瘤分割上取得了优秀的结果。

Oct, 2023

本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

Feb, 2024

实施和训练深度学习模型以从非对比度 CT 扫描中分割肾脏和囊性肾病变，该模型能够提供高度准确的分割，肾脏的中值 Dice 相似系数为 0.934。

May, 2024

通过对多中心数据集进行计算机断层扫描 (CT) 上合成分割算法 (SynthSeg) 的验证，本研究使用 SynthSeg 模型从放射治疗中心的 260 个 CT 和磁共振成像 (MRI) 数据中自动分割出大脑，并将其与 MRI 分割结果进行比较和评估。结果显示，SynthSeg 可用于基于 CT 的自动大脑分割，但其性能不如 MRI，仅适用于不要求高精度的应用，通过基于质量控制评分的阈值筛除低质量分割结果。此外，本研究鼓励进行基于 CT 的神经解剖学研究，因为结果显示了与 MRI 相似的性别和年龄相关分析的相关性。

Jun, 2024