本论文针对医学图像分析中的自动器官分割问题，提出了一种基于深度学习和随机森林的综合方法，通过聚合器官内部和边界的语义标签生成保边界腺体分割。在82个病人的CT扫描数据集上，我们的方法达到了78.01%的Dice相似度系数，相较于之前最先进方法的71.8%显著提高。

Jun, 2016

本文提出了一种基于循环显著性转换网络的方法对腹部CT扫描中的小器官进行分割，该方法利用循环的显著性转换模块进行多阶段视觉信息的传播，不仅在NIH胰腺分割数据集上获得了最新的测试结果，在一个更大的数据集上也表现出更好的收敛和高准确率。

Sep, 2017

该研究使用卷积神经网络和递归神经网络对放射学图像中的胰腺进行自动分割，以进行计算机辅助筛查和定量评估。

Mar, 2018

通过训练深度学习模型将CT图像的肝脏分割模型迁移到MRI图像分割任务中，通过领域自适应方法中的分解表示方法，我们将一个域中的图像映射到共享内容空间和特定样式空间中，这使得我们在多模式医学图像领域实现了高精度的肝脏分割。

Jul, 2019

我们提出了一个新的无监督语义转移模型，包括两个互补模块（T_D和T_F），针对内窥镜病变分割，其可确定在标记源病变数据集（例如，胃镜）和未标记的目标疾病数据集（例如，肠镜）之间如何和何时探索可转移领域不变知识。

Apr, 2020

本研究旨在利用边缘信息作为先导任务来促进无监督域自适应的语义对齐，为此我们提出了一种多任务框架，使用磁共振成像（MRI）切片和初始边缘图像作为输入，学习轮廓适应网络和语义分割适应网络。在BraTS2018数据库上的实验结果证明了本方法的有效性和优越性。

Jan, 2022

该论文提出了一种混合的神经架构搜索框架，将 NAS 算法与人类专家的先验知识相结合，使用混合的深度卷积操作和挤压-激励块来增强所搜索的网络单元的多样性和容量，通过消减模型参数和提高网络性能，达到更强大和轻量级的超声图像分类和分割模型。

Apr, 2022

建立利用深度学习技术实时识别胃镜超声过程中胰腺各个站点的人工智能辅助工具，有效帮助医生更高效地进行训练。

Sep, 2023

胰腺癌的早期准确检测和分割对于改善治疗结果至关重要。本研究提出了一种多尺度注意力网络，结合形状上下文和先验约束来实现强大的胰腺分割，通过多尺度特征提取模块和混合尺度注意力融合模块解决了模糊的胰腺边界问题，并引入形状上下文模块和主动形状模型来建模语义和形状先验。在NIH和MSD数据集上的实验证明了我们模型的有效性，其Dice Score分别提高了1.01%和1.03%。我们的架构在处理胰腺模糊边界、尺度和形状变化方面具有强大的分割性能。

Dec, 2023

本研究解决了在组织病理学中，深度学习模型在面对数据分布不均时性能下降的问题。提出了一种基于U-Net的分割框架，成功应对了跨领域腺癌分割的挑战，并在各个测试集中获得了最佳分割评分，显示出该方法的有效性与潜在影响。

Sep, 2024