该研究提出了一种采用深度卷积神经网络对 CT 扫描中自动检测淋巴结进行分类的方法，并分别在包括 90 CT 体积和 388 个纵隔 LN 以及 86 例患者和 595 个腹部 LN 的两个数据集上验证了其敏感性的极大提高。

Jun, 2014

本文提出了一种计算机辅助检测（CAD）管道，使用神经网络普适性地在容积 T2 MRI 中识别腹部淋巴结（LN），其灵敏度比目前 SOTA 方法高 14 个百分点（4FP 时的 78.7％对比每卷 5 FP 的 64.6％）；VFNet 模型表现优异，能够在 CAD 管道中与单阶段模型集成使用。

Mar, 2022

通过利用淋巴结（LN）站点信息，我们提出了一种新的端到端框架来提高 LN 检测性能，通过设计多头检测器，使每个头专注于区分特定站点的 LN 和非 LN 结构，通过 LN 站点分类器生成伪站点标签作为训练期间的多任务学习，从而在推理期间不需要另一个明确的 LN 站点预测模型。

Jul, 2023

研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督 3D 变形器模型来识别肺结节，与普遍使用的 3D 卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。

Apr, 2022

通过使用解剖先验与挑战训练数据的部分注释结合的方法，将所有建议的修改用于模型集成，得到的 Dice 得分为 0.6033，并且相比只在 CT 上进行训练时，将地面真实淋巴结分割出来的比例从 27% 提高到了 57%。通过在损失加权和后处理中加入概率淋巴结图谱，显著提高了分割准确性，通过过采样完全注释的数据来应对挑战训练数据的部分注释，并添加额外的数据增强以解决 CT 图像和淋巴结外观的高异质性。

Jun, 2024

通过利用公共的 TotalSegmentator 工具生成的 28 个不同结构（如肺部、气管等）的解剖学先验知识，我们提出了一种在纵隔中分割淋巴结的方法，通过三个 3D nnUNet 模型对 89 位患者的 CT 体积进行训练，并使用包含 15 名患者的公共 St. Olavs 数据集对分割性能进行评估。通过识别初始分期 CT 扫描中的肿大淋巴结，我们的工作具有显着的潜力改善患者的预后。

Jan, 2024

本研究旨在发展一种准确的淋巴瘤分割方法，采用 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描图像结合视觉转换器和双编码器进行淋巴瘤分割，这在计算辅助淋巴瘤诊断和治疗方面具有巨大潜力。

Feb, 2024

本文提出了一种利用机器学习技术进行肝脏和淋巴结中癌变病灶精确鲁棒检测和分割的全自动方法，验证表明此方法对高度多样化的病灶具有较好的鲁棒性。

Mar, 2017

本研究通过对四种神经网络架构（UNet、SegResNet、DynUNet 和 SwinUNETR）在 PET/CT 图像中进行淋巴瘤病变分割的全面评估，并在多种机构的 611 个病例的多样化数据集上进行训练、验证和测试。利用内部测试和未见的外部测试集，评估了分割准确性、临床相关性和算法的稳定性。

Nov, 2023

提出了一种名为 Pixel-Lesion-pAtient Network (PLAN) 的新型框架来解决肝脏肿瘤的筛查、分割和分类问题，同时利用大规模多相数据集进行测试，结果表明其优于常见的卷积神经网络和 transformers，并接近于资深人类放射科医生的表现。

Jul, 2023