通过对ADNI海马MRI数据集进行分割实验，比较了不同的三维海马分割卷积架构的有效性和效率，结果表明，与简单的二维块相比，稍微非传统的“堆叠的2D”方法提供了更好的分类性能，并且不需要额外的计算能力。同样我们也测试了一种流行的“三平面”方法，发现它提供了比2D方法更好的结果，但需要适度增加计算能力的要求。最后，我们评估了完整的三维卷积体系结构，并发现它提供了比三平面方法略好的结果，但代价是需要非常大的计算能力要求。

May, 2015

本研究针对MRI中的次皮质脑结构分割，提出了一种3D全卷积神经网络。通过采用小核允许更深层次的架构，将中间层输出嵌入到最终预测中，提高了特征提取的一致性和细粒度信息的准确性。在两个公开数据集上的实验表明，该方法在大规模神经解剖学成像研究中具有很强的鲁棒性和高效性。

Dec, 2016

提出了一种新的集成学习框架，其结合了2D和3D模型的优点，通过全卷积网络基于元学习器来提高2D和3D模型的结果，实现了在完全监督、半监督和转导设置下，相对于最先进的图像分割方法，取得了优越的性能。

Dec, 2018

本文介绍了一种基于深度学习的标签融合策略(VoteNet)，该算法可以在医学图像分割中显著提高多标签分割(MAS)的性能，并通过实验验证了性能上限，表明仍有进一步提高空间。同时，本文通过采用快速的深度学习注册方法，解决了标准多标签分割方法的时间上的劣势。

Apr, 2019

本研究提出了一种新的多任务学习框架，利用大量自动生成的部分注释和少量手工创建的完整注释进行网络训练，解决了使用深度神经网络进行3D脑图像分割的挑战，同时提高了全脑分割的性能。

Aug, 2019

这篇论文提出了一种递归式的训练策略，在使用非常少的带有像素级注释的训练样本的情况下，通过使用较便宜的图像级标注扩展这个小的训练样本集，完成语义分割的任务，进而应用于颅内出血的分割。

Mar, 2020

本文研究了扰动扩散概率模型在语义分割任务中的应用，特别是在标注数据有限的情况下。通过探究预训练扩散模型的中间层，我们发现它们可以有效地捕捉输入图像的语义信息，并成为像素级别的分割表示。基于这些观察，我们提出了一种简单的分割方法，能在仅有少量训练图像的情况下显著提高性能。

Dec, 2021

本研究使用生成扩散模型来发现生物医学三维图像中所有内在层次结构，并设计了三种损失来训练预测性的无监督分割网络，使其能够将三维体积分解为具有层次结构的有意义的子体积，取得了优于现有无监督结构发现方法的性能，可在具有挑战性的仿真数据集和真实的脑肿瘤 MRI 数据集上使用。

Apr, 2023

本研究提出一种卷积神经网络和自监督学习的方法，用于在有限标记数据情况下进行高效的三维到二维分割，通过在临床相关任务中验证，证明该方法比现有技术在有限标记数据情况下显著提升了分割性能，并且自监督学习方法可以进一步提高性能，而且对于网络架构无关。

Jul, 2023

通过3D和2D网络的交叉教学，我们提出了一种从稀疏注释中稳健学习的框架，采用硬-软置信度阈值和一致标签融合两种伪标签选择策略，实验证明我们的方法优于半监督分割方法的最先进成果，并且与全监督的上限结果相媲美。

Jul, 2023