该研究论文通过使用更大的数据集和不同的模型结构，探索将正交 X 射线图像转换成模拟 CT 体积的方法，以解决 CT 扫描在辐射剂量和成本方面相对于 X 射线成像的问题。关键模型变化包括 UNet 架构、自定义连接、激活函数、损失函数、优化器和一种新颖的反投影方法。

Feb, 2024

数字健康孪生可以定义为物理人的虚拟模型，由临床、分子、治疗参数、传感器数据和生活条件组成；与计算病理学相结合，有助于创建计算模型；数字临床试验的集成，必须考虑隐私保护措施。

Nov, 2022

本文提出了一种基于 XCAT-GANs 的方法，通过语义掩模引导下的图像生成技术，利用大量解剖学变异性的虚拟受试者合成心脏磁共振影像，得到了在下游心腔分割任务中提高性能的合成数据，通过 Hausdorff 距离和 Dice 分数的实验证明，使用合成图像可以降低误差，提高精度。

Jul, 2020

3D CT 分割基础模型应具备一次准确性能和自适应能力，而 VISTA3D 模型在系统训练时能够提供准确的立即分割，并实现了最先进的三维零交互分割。

Jun, 2024

本文介绍了一种高保真度的手术模拟器应用，将真实内科手术过程的表征学习应用于手术仿真，以增强真实感，通过引入改进的循环一致性生成对抗网络 tempCycleGAN 来提高时序一致性，以便为微创手术提供更真实的训练体验。

Jun, 2018

该研究旨在探讨质量和数量之间的平衡，以创建适用于医学 CT 扫描的多器官分割统一方法，并产生大量精确的虚拟模型。通过使用具有完全标签的 XCAT 数据集，我们比较了两种分割结构，选择了表现更好的 3D-Unet 模型，并使用此模型生成了少量标签来使 CT-ORG 数据集也可用于训练。实验结果表明，应该以质量为重来提高分割模型的性能。

Mar, 2022

提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。

May, 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

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

本文介绍了一个基于 Python 的开源软件 Comp2Comp，用于从 CT 扫描中快速、自动分析测量人体的体成分数据，目前计算了腹部 CT 扫描的骨骼肌、内脏脂肪组织和皮下脂肪组织的身体成分数据，并提供了两个流程算法来计算 T12 - L5 椎体水平和用户指定的 2D 轴向切片。

Feb, 2023