通过对断裂表面进行深度学习模型的半监督训练，实现了对材料的断裂表面分割，研究了结构相似性的影响，并且在断裂力学评估中取得了显著的成功。

Mar, 2024

通过建立骨折数据集，提出了一个自动诊断踝关节骨折的诊断模型，该模型利用联合胫腓区域分割网络进行分割，通过图像配准法进行骨分割掩膜的注册，最终构建了半监督分类器来对踝关节骨折进行分类，实验证明该方法能够准确分割具有骨折线条的骨折并在多个指标上优于常规方法和分类网络。

Mar, 2024

开发了一种自动检测 CT 体积中骨病变（溶骨性、硬化性和混合性）的方法，通过代理分割任务使用 2D 切片生成弱 3D 分割掩模，然后使用训练好的 3D 全分辨率 nnUNet 模型进行分割和检测，实现了 96.7％的精确度和 47.3％的召回率。

Jan, 2024

本研究提出一种基于深度学习的方法，用于分割荷兰斑带兔胎儿的微 CT 图像中的骨骼结构，以协助评估药物诱导的骨骼异常，实现毒理学研究的必备环节。

May, 2023

提出了一种混合有导师的框架（StMt），通过使用部分标记和未标记的数据进行腹部器官和肿瘤的分割。采用两阶段分割流程和基于整体体积的输入策略，以最大程度地提高分割准确性，并同时满足推断时间和 GPU 内存使用的要求。在 FLARE2023 的验证集上的实验表明，我们的方法在分割性能、速度和资源利用方面都表现优异。平均 DSC 分数为 89.79% 和 45.55%，平均运行时间为 11.25 秒，GPU 内存 - 时间曲线下的面积为 9627.82MB。

Sep, 2023

本研究提出一种基于深度学习的多模态分析框架（DDMA）用于三维重建牙齿 - 骨骼结构，结合 CBCT 和口内扫描，实现了高保真度和精准的牙冠 - 骨骼结构分割。DDMA 可以显著提高数字牙科模型的质量，帮助牙医做出更好的临床决策。

Mar, 2022

本研究提出了一种综合且可扩展的 3D SAM 模型，名为 CT-SAM3D，用于全身 CT 分割，通过使用一个（几乎）完全标记的 CT 数据集，建立了一个 3D 可提示的分割模型。我们的模型可以有效地响应更高维度的空间提示，通过减少大规模器官的交互提示工作量，以较少的点击提示显著提高了所有以前基于 SAM 的模型的定量性能。

Mar, 2024

本文提出了一种有效的骨密度估计方法，通过对限定数据集进行骨分割 QCT 的分解投影学习，实现了高准确性的骨密度估计，适用于机会性筛查和早期诊断。

Jul, 2023

我们开发了一种最少交互的基于深度学习的肿瘤分割方法来有效地在 CT 和 MRI 上分割不同类型的软组织肿瘤，具有对之前未见过的表型和成像模式的稳健泛化能力。

Feb, 2024

通过使用基于 nnU-Net 的伪标签和解剖导向的伪标签细化的顺序过程，结合各种碎片化的知识库，我们生成了一个包含 142 个体素级标签对 533 个体积进行了全面解剖覆盖的全身 CT 扫描数据集，该数据集已获得专家批准。我们的方法在标签整合阶段不依赖于手动注释。使用人类专家评估、在 BTCV 数据集上进行的深度学习有用性基准测试（在不使用其训练数据集的情况下实现了 85% 的 Dice 分数）以及医学有效性检查，我们检验了其合理性和实用性。除数据集外，我们还发布了能够对 CT 数据上的 142 种解剖结构进行预测的训练好的统一解剖分割模型。

Jul, 2023