本文提出了一种新的少样本医学图像分割框架，该框架利用 'squeeze & excite' 模块和轻量级计算单元来构建一个具有条件和分割器两个部分的神经网络，并使用最优配对策略来进行高效的体积分割，实现了不依赖预训练模型的医学图像分割，相较于现有方法表现更优。

Feb, 2019

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

本文提出了一种基于全局相关模块和判别性嵌入损失的少样本医学图像分割方法，利用深度卷积神经网络高效准确地进行分割，取得了最新的实验成果。

Dec, 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

深度学习在医学图像处理领域的应用受到数据不足的限制，因此研究者们开发出了一种称为“Few-shot learning”的模型，通过分类和分割方法来从小规模数据集中提取特征以解决数据不足的问题。本文综述了Few-shot learning的背景和基本概述，介绍了医学图像分析中的方法学策略比较，描述了Few-shot learning在医学图像处理应用的最新进展，并展望了其未来的应用前景。

May, 2023

本文提出了一个基于元学习的弱监督分割方案，并在医学成像领域进行了实验和对不同范例的比较分析，研究结果表明度量学习元学习方法在小型领域变化的任务中具有更好的分割结果，而某些梯度和融合的元学习方法则对大型领域变化具有更好的推广性。

May, 2023

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

基于系统回顾，本文阐述了少样本学习在医学影像识别中的广泛应用，特别是基于元学习的方法，该方法可以克服数据稀缺问题，适应少标注样本，并且常用的技术是监督学习和半监督学习，主要应用领域集中在心脏、肺和腹部等部位。

Sep, 2023

为了改善患者的预后，尤其是肺癌患者，早期诊断和治疗至关重要。本研究提出了一个新的公共基准数据集（AeroPath），包含27个CT图像，患者的病理范围从气肿到大肿瘤，以及相应的气管和支气管标注。同时，我们提出了一种多尺度融合设计的自动气道分割方法，并在ATM'22数据集上进行了训练和测试，并与竞争性开源方法进行了评估。结果表明，该方法对包括有挑战性的病理范围的患者进行了正确的分割预测，并能处理至少第五代气道的各种异常情况。AeroPath数据集和网络应用程序已公开提供。

Nov, 2023