本文提出使用对抗网络结合全卷积神经网络进行语义分割，提高在小型数据集上的患有侵袭性前列腺癌的MRI图像的分割准确性。

Feb, 2017

本文提出了一种利用多源数据进行前列腺MRI图像分割的新方法，即利用多站点数据训练深度学习模型并通过领域特定的批归一化层提高图像分割性能。

Feb, 2020

该研究采用深度学习算法中的2D U-Net来进行MR前列腺分割。通过对四个公开数据集的实验，该算法在前列腺分割中取得了较好的效果，并为未来研究者提供了标准化的实验设置。

Nov, 2020

本研究提出一种基于 U-Net 架构的 PET-CT 肿瘤分割方法，通过先生成肿瘤外观先验图进行改进，可以得到平均 Dice 分数达到 0.701 的良好肿瘤分割结果。

Oct, 2022

比较深度学习方法在MRI图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于U-Net的架构，通过Monte-Carlo丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到76.3%，Dice相似系数（DSC）达到85%。此外，Attention R2U-Net在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

Aug, 2023

通过对多视图数据进行对比学习，我们提出了一种基于U-Net的三重编码器和单一解码器网络，tU-Net，可以充分利用未经注释的矢状和冠状视图，以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进，并且在缺少视图的情况下，提供了灵活性，表明通过对比学习来利用未经注释的多视图数据的可行性。

Aug, 2023

本研究提出了一种基于 U-Net 的深度学习方法，利用加性和特征金字塔注意力模块对 MRI 图像中的前列腺区域进行分割，可以改进前列腺癌的检测和诊断工作流程。该模型与七种不同的基于 U-Net 的架构进行了比较，并通过 Dice Score (DSC) 和 Intersection over Union (IoU) 评估了每个模型在中央区域 (CZ)、外周区域 (PZ)、转换区域 (TZ) 和肿瘤区域的自动分割性能。该提出的方法在测试集中实现了平均 DSC 为 84.15% 和 IoU 为 76.9%，在本研究中的大多数模型中表现优异，仅次于 R2U-Net 和注意力 R2U-Net 架构。

Sep, 2023

本文提出了一种用于精确肿瘤分割的定位到分割框架(L2SNet)，通过定位潜在病变并利用位置信息对分割结果进行塑形，在MICCAI 2023全身FDG-PET/CT挑战数据集上取得了具有竞争力的结果，并在预备测试集中排名前7方法之一。

Sep, 2023

本研究提出了FP-PET，这是一种针对CT和PET图像的医学图像分割的综合方法。利用AutoPet2023挑战赛的数据集，研究采用了多种机器学习模型，包括STUNet-large、SwinUNETR和VNet，实现了最先进的分割性能。文章引入了一个综合评估指标，结合了Dice分数、假阳性体积（FPV）和假阴性体积（FNV），提供了模型有效性的全面衡量。研究还讨论了与模型训练相关的计算挑战和解决方案，该训练使用高性能GPU进行。研究还探讨了预处理和后处理技术，包括高斯加权方案和形态学操作，以进一步优化分割输出。本研究为高级医学图像分割的挑战和解决方案提供了有价值的见解。

Sep, 2023

使用多种深度学习模型和多参磁共振成像技术对前列腺癌进行分类和分割，在各种度量指标上表现出优异的性能。

Oct, 2023