本文介绍了一种针对医学图像分割的半监督学习框架，名为“Mine yOur owN Anatomy ”（MONA），通过使用更强的数据增强和最近邻等方法，可以有效地处理数据不平衡（tailness）和内部差异（consistency），提高医学图像分割领域的性能。同时，MONA可以在无监督的情况下将医学图像分解为一组解剖特征，并在不同的标签半监督设置下，取得了新的最优性能。

Sep, 2022

本文提出了可扩展和可转移的U-Net (STU-Net)模型, 参数从1400万到14亿, 并在大规模的医学分割数据集上表现良好, 并评估其在14个下游数据集上的可转移性。

Apr, 2023

本文对Segment Anything Model在医学图像中的效果进行了评估，结果表明性能受任务和数据集影响较大，需要进一步研究来适应医学图像领域。

Apr, 2023

本文介绍了一个公开的包含多个研究中心的腰椎磁共振成像（MRI）数据集，其中包括底部疼痛病史的218名患者的447个MRI系列，并使用迭代数据标注方法训练了一个分割算法，该算法提供了基准算法和相似的nnU-Net引擎性能基准，并且可以用于比较不同的分割算法的公正性连续分割挑战。

Jun, 2023

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

我们提出了一种通用的深度学习模型，用于对MRI骨骼进行分割，可在多个标准MRI位置进行全自动分割，并提供提示式分割。

Jan, 2024

SPINEPS是一种开源的深度学习方法，用于对14个脊柱结构（包括十个椎骨亚结构、椎间盘、脊髓、脊柱管和骶骨）在全身T2w MRI中进行语义和实例分割。

Feb, 2024

该研究使用深度学习技术对头颈癌患者的MRI和CT扫描图像中的30种危及器官进行分割，达到了目前挑战赛的最佳水平，并在头颈危及器官自动分割方面创造了新的技术前沿。

May, 2024

基于 Swin UNETR 架构，引入了 Soft Mixture Transformer（Swin SMT）模型，该模型使用 Soft MoE 处理复杂和多样的远距离依赖关系，在 WBCT 扫描中超越了其他方法，在三维解剖结构分割方面取得了85.09%的平均 Dice 相似系数。

Jul, 2024

在我们的工作中，基于实例分割的视角，我们尝试为每个骨椎标注独立完整的二值掩膜，以解决骨椎分割中的不一致性问题。通过使用基于结构低秩描述符的基于轮廓的网络（SLoRD），我们取得了优于其他单阶段和多阶段最新方法的性能表现。

Jul, 2024