本文研究了使用深度学习模型在脑磁共振成像的分割和体积测量方面的性能，结果表明深度学习可以显著降低分析时间而不影响分割性能，并提供更好的疾病分类准确性。

Jul, 2022

本研究提出了一种基于实例分割神经网络的强大的半自动血管追踪算法，能够追踪视网膜图像中不同血管树，并保留血管层次结构信息，为后续与视网膜疾病相关的血管形态学分析铺平了道路。

Feb, 2024

该研究在国际医学影像处理和计算机辅助干预会议上举办的一个挑战赛中，提出了自动检测和分割脑部微小血管疾病成像标记的方法，尤其是对于 EPVS 和微出血的表现良好，但对于来自血管假定的干区缺损的实用性结果尚不明确。

Aug, 2022

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

本文利用组织清除技术提出了基于特定成像方案的整个小鼠脑血管图数据集，并在生物学相关任务中使用最先进的图学习算法进行了基准测试，从而为神经科学领域的图学习研究开辟了道路。

Aug, 2021

使用卷积神经网络的自动化方法可以高效地检测出脑血管源性腔隙，具有减少误检率的优势，并且可以促进神经退行性疾病的研究。

Oct, 2016

通过深度学习中的三维卷积神经网络，从具有高泡沫浓度的超声数据中恢复密集的血管网络。

Oct, 2023

基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

Mar, 2024

提出了一种 PBNet 方法，由多级全局感知模块（MGPM）和边界引导模块（BGM）组成，用于从超声图像中分割乳腺肿瘤。在 MGPM 中，建模了单层特征图中体素之间的长程空间依赖关系，然后融合了多级语义信息以提高模型对非增强肿瘤的识别能力。在 BGM 中，使用最大池化的膨胀和侵蚀效果从高级语义图中提取肿瘤边界，并利用这些边界来引导低级和高级特征的融合。通过对公开可用数据集和院内数据集进行的广泛对比实验表明，所提出的 PBNet 在定性可视化结果和定量评估指标方面优于现有的方法，Dice 分数、Jaccard 系数、特异性和 HD95 分别提高了 0.70%、1.1%、0.1% 和 2.5%。此外，割舍实验证明了所提出的 MGPM 对于区分非增强肿瘤以及 BGM 和 BS 损失对于优化肿瘤的分割轮廓也是有帮助的。

Oct, 2023

该研究介绍了将深度学习应用于放射治疗中的高级治疗：全骨髓和淋巴结照射（TMLI）中，通过 nnU-Net 框架发展了 2D 和 3D U-Net 模型，对 PTV 进行分割，实现了显著的改善。

Feb, 2024