本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

Oct, 2017

本文提出了一种基于双标准化模型的，借助源域中类似和不类似的图像数据在目标域中进行通用分割的方法，旨在解决跨模态分割中不同领域之间的特征差异问题，并在 BraTS、Cross-Modality Cardiac 和 Abdominal Multi-Organ 等公共领域数据集上进行实验和测试，表明此方法优于其他最先进的领域泛化方法。

Dec, 2021

我们提出了一种名为MoDATTS的新的半监督训练策略，用于处理自动医学图像分割中存在的模态遗传性问题，并通过图像转换和视觉转换器实现更准确的肿瘤分割。该模型在CrossMoDA 2022挑战中表现出优越的性能，并在BraTS 2020挑战数据集上显示出一致的改进。

Sep, 2023

通过使用单一的条件模型，根据输入类型调整其归一化层来实现多模态图像的公平图像分割，并在多模态全心分割挑战中优于其他跨模态分割方法。

Oct, 2023

本研究全面评估了基于自学习的DINOv2模型在放射学领域的应用，通过超过100个实验在不同模态下进行疾病分类和器官分割等任务，发现DINOv2在分割任务中表现优越，在疾病分类中具有竞争力的结果。这些发现为优化医学影像的预训练策略和加强DINOv2在自然图像与放射图像分析之间的桥梁作用提供了深入的见解。

Dec, 2023

提出了一种新的增强的双尺度和交叉生成一致性学习框架，用于半监督息肉分割，通过整合不同分辨率的交叉级相邻层来增强特征表达能力，采用尺度增强的一致性约束来处理形状尺寸和位置的变异，并通过交叉分段图重建原始和扰动图像来提高分割性能。

Dec, 2023

CrossMatch是一种新颖的框架，通过与双扰动策略（图像级和特征级）结合使用知识蒸馏技术，从标记和未标记数据中提高模型的学习能力，通过生成多样化的数据流进行自知识蒸馏，从而在医学图像分割中显著优于其他最先进的技术，在标准基准测试中有效地缩小训练差距，提高边缘精度和泛化性能。

May, 2024

针对医学影像和机器学习领域的一个主要挑战是如何有效地将预训练模型适应于专门的医学背景。本研究对应用于X光、MRI、组织学、皮肤镜检和内窥镜手术等不同医学影像领域的多种微调方法在预训练模型上的性能进行了全面的分析。结果显示，结合线性探测和全面微调等策略在50%以上的情况下能够明显提高性能，动态调整学习率的自动RGN方法在特定模态下能够提高11%的性能。此外，与传统的全面微调相比，DenseNet结构对替代的微调方法表现出更为显著的优势。本研究不仅为优化医学影像分析中的预训练模型提供了有价值的洞见，而且建议未来研究可以探索更先进的架构和微调方法。

Jun, 2024

本研究解决了胰腺内镜超声图像中病变精确分割的挑战，克服了由于图像不足导致的诊断困难。提出的跨器官肿瘤分割网络（COTS-Nets）通过利用边界损失和一致性损失，从不同器官中获取域不变知识，显著提高了胰腺癌的诊断准确性，并开发了包含501幅病理确认的EUS图像的数据集以支持模型开发。

Sep, 2024

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