研究中以病理性淋巴结划分为关键，探讨了 MICCAI 2023 淋巴结定量挑战赛中弱监督学习、深度学习模型以及分割性能的相关内容。

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

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

使用深度学习来识别乳腺癌患者核心 - 针生物检查图像中腋窝淋巴结转移的状态，并通过评估性能和进行数据增强技术的研究来改进现有的方法。

Oct, 2023

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

为了研究和治疗直肠癌，准确分割转移性淋巴结对于直肠癌的分期和治疗至关重要。然而，由于在直肠周围淋巴结的像素级注释数据集的缺失，现有的分割方法面临挑战。此外，转移性淋巴结的特点是尺寸相对较小，形状不规则，与背景相比对比度较低，进一步复杂了分割任务。为了解决这些问题，我们提出了第一个大规模的淋巴结 CT 图像数据集 ——Meply，其中包含 269 名被诊断为直肠癌的患者的像素级注释。此外，我们提出了一种名为 CoSAM 的新型淋巴结分割模型。CoSAM 利用基于序列的检测来指导直肠癌转移性淋巴结的分割，有助于改进分割模型的定位性能。它由三个关键组件组成：基于序列的检测模块、分割模块和协作收敛单元。为了评估 CoSAM 的有效性，我们使用 Meply 数据集系统地比较了它与几种常用的分割方法的性能。我们的代码和数据集将公开提供。

Apr, 2024

通过改进 2D 骨干网络，结合多尺度 2.5D 特征融合来明确地融入 3D 上下文，以提高淋巴结检测性能。通过头部 IoU 预测和位置去偏置查询选择，以及利用查询对比学习明确增强淋巴结查询，该方法在医学图像中获得了较好的性能。

Apr, 2024

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

用逐步的方式查找转移组织的任务通常很具有挑战性，这篇研究提出了使用基于深度卷积神经网络的半监督学习方法的模型来自动分析肿瘤病理扫描图像中的前哨淋巴结状态，表现比标准 CNN 基准表现更好，并在 PatchCamelyon 数据集上进行了验证。

Jun, 2019

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