采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

Jun, 2019

提出了一种名为UNet ++的新神经结构，通过解决U-Net和全卷积网络（FCN）的两个限制（未知最佳深度和过于严格的融合方案），实现了医学图像分割的语义和实例分割，从而提高了对象大小的分割质量，并加速了UNet ++的推理速度。

Dec, 2019

本研究提出了一种动态需求网络（DoDNet），用于在仅标注部分器官和/或肿瘤的数据集上分割多个器官和肿瘤，通过共享编码器-解码器结构、任务编码模块、控制器和动态分割头来生成动态卷积滤波器，相对于现有方法，DoDNet更加高效，代码和数据集可在链接中获得。

Nov, 2020

本研究提出UTNet，这是一种简单而强大的混合Transformer体系结构，它将self-attention集成到卷积神经网络中，以增强医学图像分割，通过在编码器和解码器中应用self-attention模块来捕捉不同尺度的长程依赖关系，并提出了一种有效的self-attention机制与相对位置编码，从而将self-attention操作的复杂度从 $O(n^2)$ 降低到约 $O(n)$。在多标签、多厂商的心脏磁共振成像队列上对UTNet进行了评估，所示分割性能优异，对抗最先进的方法表现出很好的鲁棒性，有望在其他医学图像分割中具有广泛的应用前景。

Jul, 2021

提出了一种基于Transformer模型的多动态分割网络TransDoDNet，在多个部分标记的数据集上学习器官和肿瘤的分割，并创造了一个大规模的部分标记的多器官和肿瘤分割基准MOTS，结果表明TransDoDNet在七项器官和肿瘤分割任务中性能优异。

Nov, 2022

通过整合卷积和Transformer的优点，提出了一种名为BRAU-Net++的混合CNN-Transformer网络，用于精确的医学图像分割任务。该网络通过使用双层路由注意力作为核心构建块来设计层次化编码器-解码器结构，以学习全局语义信息并降低计算复杂性。通过在跳跃连接中结合通道-空间注意力，最小化局部空间信息损失并放大多尺度特征的全局维度交互。在三个公共基准数据集上进行广泛实验，表明我们提出的方法在几乎所有评估指标上超过了包括其基准：BRAU-Net在内的其他最先进方法。

Jan, 2024

使用经过预训练的 MiT-B2 编码器和多个不同的解码器网络，MDNet 利用多尺度特征增强膨胀块连接不同部分的编码器，逐渐增加网络深度并精细化分割掩模，通过整合前面解码器的特征图丰富特征映射，利用前一个解码器的预测掩模进一步提供前景和背景区域的空间关注，从而高度精确地优化分割掩模。在肝肿瘤分割（LiTS）和MSD脾脏数据集上，MDNet实现了Dice相似性系数（DSC）分别为0.9013和0.9169，Hausdorff距离分别为3.79和2.26，凸显了MDNet捕捉复杂轮廓的精确性。此外，与其他基准模型相比，MDNet具有更高的可解释性和稳健性。

May, 2024

本文介绍了一种利用可变形卷积和多对象分割的知识来优化空间自适应卷积网络 (SACNet) 的方法，通过在特征提取、模型架构和损失约束等方面进行改进，提高了不同分割目标的感知能力，并在 ACDC 和 Synapse 的 3D 切片数据集上的实验证明了 SACNet 在多器官分割任务中相对于现有方法具有卓越的分割性能。

Jul, 2024

本研究聚焦于医学图像分割中的大小、形状和密度差异的问题，提出了一种新颖的深度分割框架MSA2Net，结合了局部和全局特征以提升分割精度。特别地，研究推出了多尺度自适应空间注意力门（MASAG），动态调整感受野以突出相关特征并降低背景干扰。实验表明，MSA2Net在皮肤病学和放射学数据集上超越或匹配了当前最先进的性能。

Jul, 2024

本研究聚焦医学图像分割中的结构变异问题，提出了MSA$^2$Net框架，通过动态调整局部和全局上下文信息，有效融合细粒度和粗粒度特征。实验显示，MSA$^2$Net在多个数据集上超越了现有最先进技术，具有显著的应用潜力。

Jul, 2024