- 基于切片隐式扩散模型的 3D MRI 合成：改善数据稀缺情况下肿瘤分割任务
利用切片扩散架构，从医学图像生成融合体数据和对应掩膜，以解决医学图像分割中数据获取不足的问题，并考虑肿瘤特征进行生成，通过对 BRATS2022 数据集的实验证明生成数据对数据增强的有效性。
- 脑肿瘤分割网络的交互式图像选择和训练
通过使用基于图像标记的特征学习方法，我们能够选择一小组图像来训练 U 形网络的编码器，从而达到与手动选择相等甚至超过使用反向传播和所有训练图像训练的同一 U 形网络的性能。
- 多任务多尺度对比知识蒸馏在高效医学图像分割中的应用
本研究旨在探究神经网络在医学图像分割任务中的知识迁移可行性，特别关注从大规模多任务的 “教师” 网络向更小的 “学生” 网络的迁移。我们通过多尺度特征蒸馏和监督对比学习的结构，通过整合从教师模型获取的知识表示来提高学生模型的性能，并通过大量 - 领域游戏：解开解剖特征以进行单一领域的广义分割
我们提出了一个名为 “Domain Game” 的新框架，用于更好地分离医学图像分割中的诊断相关特征和领域特定特征，通过对特征空间中的特征集施加力来推动或排斥它们，在前列腺分割和脑肿瘤分割方面相较于次佳方法分别展示了约 11.8% 和约 1 - CRIS：结合分割的协同细化技术用于息肉分割
准确检测结直肠癌和早期预防严重依赖于肠镜检查期间精确的息肉识别。本研究提出了一种综合利用掩膜优化和二进制语义分割的方法，通过一种新颖的协作训练策略，超越了当前广泛使用的优化策略，并通过对建立的基准数据集进行全面评估，成功应用于各种医学图像分 - FlowSDF：使用距离变换进行医学图像分割的流匹配
提出了一种基于图像引导的 SDF 条件流匹配框架，用于表示分割掩模的隐式分布，并通过采样分割掩模的分布来评估统计量，从而生成方差表示的不确定性地图，从而提高医学图像分割的预测鲁棒性和分析能力。
- FRCNet 频率与区域一致性用于半监督医学图像分割
本文介绍了两种半监督医学图像分割的一致性正则化策略，包括频域一致性（FDC）和多粒度区域相似性一致性（MRSC），通过这些策略有效高效地利用无标签数据进行特征学习，实验结果显示我们的方法取得了显著的性能提升，并超过其他最先进的方法。
- 一种无分类器的可扩展医学图像分割的增量学习框架
通过引入新的分割范式，我们提出了一种基于对比学习的分类器自由网络，能够实现可变数量类别的分割，并结合知识蒸馏的增量学习框架，解决了医学图像分割中类别和领域的增量学习问题。实验证明了该方法在处理不同类别数量和增量学习中的优越性。
- DuEDL：双分支证据深度学习在手绘辅助医学图像分割中的应用
通过提出双分支证据深度学习（DuEDL）框架，该研究旨在改善使用线条标注进行医学图像分割时准确性与可靠性之间的权衡问题，并证明该方法在提高模型的可靠性和泛化能力方面表现优于现有方法。
- 基于注意力过滤的医学图像分割的多维 Transformer
提出了一种面向医学图像分割的多维注意力变换器 (MDT-AF) 方法，通过重新设计补丁嵌入和自注意机制来解决医学图像分割中存在的低信噪比和特征表示容量有限的问题，并取得了当前最先进的性能。
- CTS: 基于一致性的医学图像分割模型
应用一致性模型于医学图像分割任务，设计多尺度特征信号监督模式和损失函数引导以实现模型收敛。实验证明，在测试阶段单次采样下，CTS 模型能够取得更好的医学图像分割结果。
- CVPREMCAD: 高效多尺度卷积关注解码用于医学图像分割
EMCAD 是一种高效的多尺度卷积关注解码器，通过引入多尺度卷积来提高特征图，同时采用通道、空间和分组（大核）门控关注机制，以捕捉复杂的空间关系并关注显著区域，从而优化医学图像分割的性能和计算效率。
- CVPR多频率多尺度注意力下的领域通用医学图像分割
为了解决深度学习方法在医学图像分割中常常忽视频率变异和多任务学习中信息丢失的问题，本研究提出了一种适用于医学图像分割的无模态域泛化网络 (MADGNet)。通过引入多频率和多尺度特征的 Multi-Frequency in Multi-Sc - 可植入自适应细胞：可微架构搜索以提升任何经过训练的 U 型网络的性能
使用神经架构搜索方法（特别是可微分架构搜索）和可植入自适应单元（即 IAC）的概念，该论文介绍了一种增强医学图像分割中预先训练神经网络性能的新方法，通过将 IAC 无缝集成到现有模型的跳跃连接中，提高了分割精度，并为性能升级提供了一种经济高 - CrossMatch: 强化半监督医学图像分割的扰动策略和知识蒸馏
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 - DmADs-Net：用于医学图像分割的稠密多尺度注意力和深度监督网络
通过对复杂数据集和不同类型的数据集进行广泛实验，本研究提出了一种名为 DmADs-Net 的密集多尺度注意力和深度监督网络，通过特征提取、特征注意力块和特征融合等模块的创新，该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的 - 基于预测准确度的医学图像分割主动学习
通过引入预测准确率来定义不确定性，我们提出了一种高效的基于预测准确率的主动学习方法（PAAL）用于医学图像分割，在保证采集样本的不确定性和多样性的同时，显著降低了大约 50% 到 80% 的标注成本，具有在临床应用中的重要潜力。
- 一种具有切片内和切片间关注的灵活的 2.5D 医学图像分割方法
CSA-Net 是一个灵活的 2.5D 分割模型，通过创新的 Cross-Slice Attention (CSA) 模块，能够处理任意数量切片的 2.5D 图像，以有效地捕捉 3D 空间信息，并利用自注意机制理解中心切片中像素之间的相关性 - GLIMS：注重注意力的轻量级多尺度混合网络用于体积语义分割
GLIMS 是一种数据效率高、注意力引导的混合体积分割网络，利用了 Dilated Feature Aggregator Convolutional Blocks (DACB)，并结合了 Swin Transformer-based bot - 医学成像中的分割质量与体积准确性
当前的医学图像分割依赖于基于区域（Dice，F1 得分）和基于边界（Hausdorff 距离，表面距离）的度量标准作为事实标准。本论文通过使用相对体积预测误差（vpe）来直接评估分割任务中体积预测的准确性，集成了理论分析和多样数据集的实证验