本研究提出一种新的深度学习模型训练策略，用于构建能够对肿瘤进行系统分割的 PET/CT 肿瘤分割模型，该方法基于 AutoPET 2022 挑战赛的训练集进行验证，并在预测试集上实现了 0.7574 的 Dice 分数、0.0299 的假阳性体积和 0.2538 的假阴性体积，代码已在链接中提供。

Aug, 2022

这项研究开发了一个快速高效的三阶段级联深度学习模型，用于从 PET 图像中自动检测和分割 DLBCL 肿瘤，并验证了其可行性和准确性。

Mar, 2024

该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

Apr, 2024

本研究提出一种基于 U-Net 架构的 PET-CT 肿瘤分割方法，通过先生成肿瘤外观先验图进行改进，可以得到平均 Dice 分数达到 0.701 的良好肿瘤分割结果。

Oct, 2022

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

提出一种深度学习方法，用于从 [18F] FDG PET/CT 扫描中分割肿瘤性病变和组织。使用两个 UNet-3D 分支的组合，一个用于分割 CT 图像中的一组组织，另一个用于分割 PET 图像中的病变，并将 CT 分支的信息嵌入到瓶颈中。在 AutoPET MICCAI 2023 挑战数据集上进行了网络的训练和验证。

Sep, 2023

使用深度学习模型自动分割 FDG-18 全身 PET/CT 扫描中的病变对于确定治疗反应、优化剂量和推进癌症治疗应用至关重要。然而，器官存在放射性示踪剂摄取增加，如肝脏、脾脏、脑和膀胱，导致深度学习模型经常将这些区域错误地识别为病变，为解决这个问题，我们提出了一种新的方法，旨在分割器官和病变，以提高自动化病变分割方法的性能。

Nov, 2023

使用三维残差 UNet 模型和广义 Dice Focal Loss 函数，在 AutoPET 挑战 2023 的训练数据集上训练了五个模型，并通过平均和加权平均集成方法将其组合。在初步测试阶段，平均集成模型的 Dice 相似系数（DSC）为 0.5417，假阳性体积（FPV）为 0.8261 毫升，假阴性体积（FNV）为 0.2538 毫升；而加权平均集成模型的结果分别为 0.5417、0.8186 毫升和 0.2538 毫升。

Sep, 2023

采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

Sep, 2018

该论文提出了一种基于深度神经网络的全自动脑肿瘤分割方法，利用卷积神经网络对肿瘤进行分析和识别从而改善传统方法的效能，得出的结果比现有的最优方法提升了 30 倍以上。

May, 2015