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

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

Nov, 2019

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

本文提出了一种基于深度学习的方法，通过 U-net 网络和 3D consistency 技术，从 MRI 图像中实现心脏分割，结果表明该方法能够提高空间一致性，具有很好的泛化能力。

Apr, 2018

为了解决 3D 卷积神经网络在医学影像识别中时间和计算效率低的问题，本文提出将体数据转化为 2D 超级图像，使用 2D 网络用于分割任务，具有实用价值和吸引更多相关研究的意义。

May, 2022

通过对 3D 体积数据进行强度投影分割，IP-UNet 模型在降低内存消耗的同时保持了原始 3D 图像分辨率，并且在乳房钙化检测中表现出类似的分割准确性，但具有更优异的性能。

Aug, 2023

本文提出了一种新颖的方法，利用 2D 网络对不同视角进行器官分割训练，并构建一个 3D 立体融合网络（VFN）来融合 2D 分割结果，VFN 相对较浅，包含的参数比大多数 3D 网络少，从而使得我们的框架更加高效，我们提出了一个名为交叉增强的新颖策略，最终在多个具有挑战性的腹部器官上验证了我们的框架在分割准确性和稳定性上优于现有的 2D 和 3D 方法。

Apr, 2018

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

通过使用卷积神经网络和波及注意力机制，结合音速微运动成像（VSI）技术，研究人员提出了一种名为 Wavelet_Attention_UNet（WATUNet）的新型分割模型，该模型在乳腺癌诊断方面具有突出表现，在两个数据集上的 Dice 系数和 F1 得分均超过了其他深度网络的表现。

Nov, 2023

本文介绍了一种新颖的针对医学图像分割的半监督学习框架，核心是创新的多尺度文本感知 ViT-CNN 融合方案，该方案巧妙地结合了 ViTs 和 CNNs 的优势，充分利用了视觉 - 语言模态中的互补信息。进一步丰富我们的框架，我们提出了多轴一致性框架，生成稳健的伪标签，从而提升了半监督学习过程。我们在多个常用数据集上进行了广泛的实验，这些实验无可辩驳地证明了我们方法的有效性。

Sep, 2023