采用不同的深度学习方法和训练数据集对肺部分割进行比较，结果表明使用多样化的训练数据集可以提高准确性，并且使用U-net方法具有更高的Dice相似系数。

Jan, 2020

提出了一种用于医学图像分析中，基于深度学习的肺气道分割方法NaviAirway，该方法采取了支气管特异性损失函数和人视感迭代训练策略，细分支气管，提升模型性能，可用于支气管镜导航、肺部疾病诊断等领域，并通过提出两个新的评价指标，更全面公正地评估基于深度学习的肺气道分割方法。

Mar, 2022

本文提出了一种基于解剖学感知的多类气道分割方法，通过拓扑引导的自学习方法和断裂注意力图生成伪标签，能够完整地分割气道树，适用于慢性阻塞性肺疾病、哮喘和肺癌等呼吸系统疾病的分析。

Jun, 2023

通过数据中心的深度学习技术和集成学习策略，我们的方法在空气道分割任务中表现出色，突显了空气道树异常、诊断和疾病特征化的重要性。

Jul, 2023

我们提出了一种新颖的深度主动学习模型-3D Wasserstein鉴别UNet（WD-UNet），用于减少医学3D计算机断层扫描（CT）分割的注释工作量。我们的方法可以嵌入不同的主动学习策略和不同的网络结构，通过使用不确定性度量作为查询策略的输入参数，可以获得比一些最先进的监督式深度学习模型更准确的预测结果，并且节省了标注成本。

Oct, 2023

交互式分割是医学图像分析中的一个关键研究领域，旨在通过引入人类反馈来提高昂贵注释的效率。近年来，基于深度学习的方法推动了结果的提升，并导致了该领域的快速增长。本综述提供了这一新兴领域的结构化概述，包括全面的分类、现有方法的系统综述以及对当前实践的深入分析。基于这些贡献，我们讨论了该领域的挑战和机遇，例如发现方法之间存在严重的比较缺乏，需要通过标准化基线和基准来解决。

Nov, 2023

本文提出了两种不同的网络结构Branch-Level U-Net (B-UNet) 和Branch-Level CE-UNet (B-CE-UNet)，它们基于U-Net结构，并比较了相同数据集的预测结果。特别地，这两种网络都添加了分支损失和中央线损失，以学习气道的精细分支末端的特征。此外，还包括不确定性估计算法来获得自信的预测结果，从而增加整个模型的可靠性。此外，在后处理过程中，根据最大连接率计算和提取了基于肺气管的预测结果，以进行分割的细化和修剪。

Feb, 2024

通过引入骨架级注释（SkA）和几何感知双路径传播框架（GDP），我们提出了一种准确的气道分割方法，它简化了注释流程，提高了注释一致性和准确性，并保留了完整的拓扑结构。实验证明，我们的方法优于其他使用SKA的竞争方法，并且与完全监督的基准模型具有可比较的性能，这为实现对其他管状结构（如血管）的高效标记提供了显著的潜力。

Mar, 2024

该研究比较了卷积神经网络在2D和3D格式中对囊性纤维化病变的整体分割能力，并重点研究了5个主要囊性纤维化结构变化。通过对比2D和3D模型，发现3D模型在捕捉粘液栓和肺实变等复杂特征方面具有优势。通过实验引入了适用于细结构分割的损失函数并评估，显著提高了2D模型的准确性，但未超过3D模型的性能。模型经过外部评估计算肺功能测试，证实了研究结果的稳健性。此外，研究还包括了对模型的可解释性和可靠性的综合评估，为其临床应用提供了宝贵的见解。

Mar, 2024

通过开源医学图像数据集、基于最新的通用分割和大型语言模型，我们介绍了RadGenome-Chest CT，这是一个全面的、大规模的、基于CT-RATE的区域导向的3D胸部CT解读数据集，推动了多模态医学基础模型的发展。

Apr, 2024