- LOOC: 使用占位网络和体表深度图像定位器官
使用占据网络的新方法，通过捕获自人体外部的单个深度图像，精确定位 67 个解剖结构，考虑个体间的解剖多样性，包括占据网络在遮挡结构定位中的应用、通过深度图像估计解剖位置的鲁棒方法、以及创建详细的个体化 3D 解剖图谱，该方法有望在医学成像和 - TotalSegmentator MRI: MR 图像中 59 个解剖结构的序列无关分割
我们开发了一个开源且易于使用的分割模型，可以独立于 MR 序列，自动且鲁棒地对大多数主要解剖结构进行分割。
- 自适应卷积层优化医学图像分割性能
通过在传统 CNN 模型之前放置自适应层，根据输入影像的局部环境动态调整卷积核尺寸，本文提出的方法可以在处理具有多种尺度和配置的医学影像时，增强网络对多样解剖结构和图像细节的处理能力，进而在 SegPC2021 和 ISIC2018 等常见 - LaB-GATr：大型生物医学表面和体积网格的几何代数变换器
LaB-GATr 是一个转换神经网络，具有几何记号化的功能，可以通过序列压缩和插值高效地学习大规模（生物）医学表面和体积网格，扩展了最近提出的几何代数变换器（GATr）的方法。
- 解剖结构中的二阶运动曲面拟合
基于第二阶速度场的动力学曲面拟合方法在医学图像分析中发挥了重要作用，能够更准确地检测解剖结构的对称性，并通过相关的曲率和扭矩等内在形状参数实现形态分类。通过临床测试，该方法被证明在评估复杂解剖形状方面具有巨大潜力。
- 基于双视角拓扑图的解剖学导向 CT 重建方法用于前瞻性风险缩减
基于生成对抗网络（GAN）的优化 CT 重建模型能够重建 CT 体积，增强解剖结构并进行器官分割，从而提供了前瞻性估计 CT 有效剂量和风险最小化的过程。
- 粒子基形状建模用于任意感兴趣区域
统计形状建模（SSM）是一种用于分析解剖结构形态变异的定量方法。我们提出了一个扩展粒子形状建模（PSM）的方法，允许形状建模于任意感兴趣的解剖区域，并使用网格场来定义任意形状表面上的感兴趣区域。此方法通过加入二次惩罚方法实现了任意多种限制条 - SAMv2: 统一的外观、语义和跨模态解剖嵌入学习框架
基于自我监督解剖嵌入（SAM）的 SAMv2 是一个统一的框架，通过学习外观、语义和跨模态的解剖嵌入，克服了医学图像分析中的挑战，提供了一种在基于标志点的医学图像分析任务中表现优异的方法。
- FDDM：使用频率解耦扩散模型的无监督医学图像翻译
本研究介绍了一种频率解耦的扩散模型（FDDM），通过在转换过程中将医学图像的频率分量在傅里叶域中分离，实现保留结构并高质量转换图像。通过公开的脑部 MR-to-CT 转换数据集进行了广泛评估，结果表明 FDDM 在产生高度逼真的目标领域图像 - 外科视频的动态场景图表示
通过使用场景图和图卷积网络对手术视频进行建模和分析，研究证明其在自动化手术工作流识别方面具有竞争性能，并对模型决策的解释性和稳健性提供了关键的临床支持。
- 寻找意识到的胸部 X 光机器自动报告的解剖标记
通过使用任务感知的解剖结构特征提取方法，我们在自动化报告流程中整合任务感知的解剖结构特征，并取得了临床准确性提高的最新成果。
- 结构保持合成：MaskGAN 用于非配对 MR-CT 转换
本文提出了 MaskGAN，这是一个新颖且具有成本效益的框架，通过利用自动生成的粗糙掩膜来实现结构的一致性，以克服医学图像合成中配对数据稀缺以及图像错位的问题。
- FBA-Net: 前景和背景感知对比学习用于半监督心房分割
本文提出了一种基于对比学习的半监督 3D 医学图像分割策略 (FBA-Net)，通过对前景 - 背景对进行对比，旨在学习一种能够有效捕捉感兴趣解剖结构的表示，实验结果表明，本方法达到了 91.31% 的 Dice 分数，具有推动半监督 3D - SAM++: 利用语义信息和结构推理增强解剖匹配
SAM++ 是一个能够在医学图像中学习外观和语义嵌入的框架，其固定点匹配机制能够克服原来方法中的一些限制，并取得了比现有方法更好的结果。
- 外科手术视频语义分割的时空网络
在手术视频中进行语义分割在术中导航、术后分析和手术教育方面有应用价值。我们提出了一种用于建模视频时间关系的新架构，通过改善帧之间的时间一致性以提高视频语义分割精度，并在两个数据集上验证了其性能提升。
- 通过体积伪标记实现射线图中人体解剖结构的精确细分
本研究通过三维计算机断层扫描的伪标记提取 CXR 的精细解剖结构，为 CXR 的语义分割建模提供了可行方法，可以在不需要人工干预的情况下实现精细的解剖分割。
- 单目内窥镜深度估计的几何感知深度神经网络
本文提出了一种在内窥镜术中进行单目深度估计的方法，该方法利用几何一致性损失和梯度损失来提高重建效果，并使用合成的 RGB-Depth 数据集来捕捉解剖结构上的反射和照明变化，实验结果表明该方法在实现视频 - CT 配准算法的精度要求时，具有 - S3M: 通过无监督对应关系实现可扩展统计形状建模
本研究提出一种无监督方法，利用深度几何特征和功能对应关系，同时学习复杂解剖学中的局部和全局形状结构，从而显著改善统计形状模型的无监督对应估计，并且精度高于基线方法，甚至在高度不规则的表面拓扑上也适用。
- 放射学报告生成的自适应全局 - 局部特征增强
本文提出了一个新的框架 AGFNet，通过动态融合全局和解剖区域特征来生成多粒度放射学报告，该方法可以充分利用放射学图像和文本的多粒度信息，从而帮助生成更精准的报告。
- 基于级联的三维全卷积网络在医学图像分割中的应用
通过在多个解剖结构 (从大器官到细小血管) 的计算机断层扫描手动标记的数据上训练多分类的三维卷积神经网络，该研究展示了基于三维全卷积神经网络的医学图像语义分割的实现和鲁棒性的突破，所提出的粗略到精细的两阶段方法达到了最先进水平。