本文提出了一种利用机器学习技术进行肝脏和淋巴结中癌变病灶精确鲁棒检测和分割的全自动方法,验证表明此方法对高度多样化的病灶具有较好的鲁棒性。

Mar, 2017

本研究采用一种基于深度残余网络 (ResNet) 的肝脏病变分割方法，通过级联ResNet架构和多尺度融合生成更精确的边界定义，该方法在 ISBI 2017 肝脏瘤分割挑战中获得第四名。

Apr, 2017

利用深度卷积神经网络，以2.5D方式对肝脏CT图像进行分割，并在130个LiTS训练数据集上进行训练，在70个测试CT扫描上取得了平均Dice分数0.67，时隔ISBI2017会议后获得了该领域的第一名。

Apr, 2017

提出了一种用于计算机断层扫描（CT）图像中肝脏和肝脏病变联合分割的模型，该模型利用两个全卷积网络并置并端对端联合训练；在2017年MICCAI肝肿瘤分割挑战赛中，我们的方法在多种评估指标上达到了竞争性的肝脏和肝脏病变检测与分割分数，不同于其他表现优秀的方法，我们的模型不需要使用外部数据，并提出了一个简单的单阶段模型进行端到端的训练。然而，我们的方法几乎达到了顶尖的病变分割性能，并在保持高召回率的情况下实现了第二高的病变检测精度。

Jul, 2017

本文提出了一种新型的混合密集连接UNet（H-DenseUNet）用于肝脏和肿瘤分割，该方法采用2D DenseUNet和3D UNet相结合的方式提取内部切片特征和聚合体积下的层次上下文信息，并通过混合特征融合（HFF）层联合优化模型。在MICCAI 2017肝肿瘤分割（LiTS）挑战数据集和3DIRCADb数据集上的评估表明，我们的方法在肿瘤分割结果上表现优于其他技术，而在单模型下，甚至可以取得具有一定竞争力的肝脏分割性能。

Sep, 2017

提出了一种名为Pixel-Lesion-pAtient Network (PLAN)的新型框架来解决肝脏肿瘤的筛查、分割和分类问题，同时利用大规模多相数据集进行测试，结果表明其优于常见的卷积神经网络和transformers，并接近于资深人类放射科医生的表现。

Jul, 2023

知识蒸馏在医学成像任务（如肾脏和肝脏肿瘤分割）中的应用面临挑战，为解决这些问题，我们提出了分层选择性反馈蒸馏（HLFD）方法，通过从中间层到较早层的蒸馏，以及将最终层的知识以特征和像素级别转移到中间层，实现模型从早期层学习更高质量的表示，从而生成一个稳健且紧凑的学生模型。大量的定量评估表明，HLFD方法显著优于现有方法，在肾脏分割任务中，与无知识蒸馏的学生模型相比，HLFD提升了10个百分点以上，显著改善了对肿瘤特定特征的关注。从质量上看，使用HLFD训练的学生模型能够抑制不相关信息，聚焦于肿瘤特定细节，为更高效准确的诊断工具开辟了新路径。

Nov, 2023

我们提出了一种基于上下文和注意力特征融合增强的卷积神经网络（CNN）和Transformer混合网络（CAFCT）模型，用于肝肿瘤分割。在所提出的模型中，引入了其他三个模块：注意力特征融合（AFF）、DeepLabv3的Atrous空间金字塔池化（ASPP）和注意力门（AGs），以改善与肿瘤边界相关的上下文信息，以实现准确的分割。实验结果表明，所提出的CAFCT在Liver Tumor Segmentation Benchmark（LiTS）数据集上分别达到了90.38%的平均交并比（IoU）和86.78%的Dice分数，优于Pure CNN或Transformer方法，如Attention U-Net和PVTFormer。

Jan, 2024

通过在多个阶段运用神经网络进行多相计算机断层扫描，结合分割模型和单相训练，我们的方法在肝脏病变分割性能上取得了1.6%的改进，并降低了8%的主体间性能差异。

Apr, 2024

AI Radiologist是一种使用卷积神经网络进行肝脏组织分割和三维插值的图像处理工具，通过现有的体积和预训练模型的选择，为临床医生提供了方便的肝脏组织分割方法。

Jun, 2024