- 图像注释的模块化深度主动学习框架：眼科人工智能项目的技术报告
图像标注是医学成像和疾病诊断领域中确保患者适当治疗和追踪疗程进展的最重要任务之一。通过使用深度学习的分割算法和主动学习方法，MedDeepCyleAL 提供了一个完整的端到端框架，可自动化图像标注并在眼科数据方面表现出优越性能。
- 尴尬地简单的涂鸦监督用于 3D 医学分割
传统上，分割算法需要密集注释进行训练，特别是在 3D 医学图像领域，这需要大量的注释工作。我们提出了一个全面的涂鸦监督基准，包括七个使用不同的模态成像的解剖和病理学的数据集。利用部分损失，我们的方法能够在现有的分割方法中融入涂鸦标注，保持原 - 基于 SAM 的脑功能磁共振成像中的脑提取模型
通过使用 Meta 发布的可用的全神经网络模型 SAM，本研究探讨了自动化分割算法在神经影像领域去除头骨伪影的高效性，结果表明了其潜在的应用价值。
- 强化学习生成的多光谱少样本分割
使用强化学习和数学表达式的方法，改进在小规模数据集上的多光谱图像分割，提高分割算法的性能。
- 缺陷检测中的任意分割
本研究提出了一种针对高噪声热红外图像的缺陷分割新方法 DefectSAM，通过采用广泛采用的模型 Segment Anything（SAM）和精心策划的数据集，有效地提高了缺陷检测率，尤其在复杂和不规则表面上对弱缺陷和小缺陷的检测表现出色， - 深度神经网络在 PET / CT 图像中检测和量化淋巴瘤病变的全面评估与洞察
本研究通过对四种神经网络架构（UNet、SegResNet、DynUNet 和 SwinUNETR）在 PET/CT 图像中进行淋巴瘤病变分割的全面评估，并在多种机构的 611 个病例的多样化数据集上进行训练、验证和测试。利用内部测试和未见 - 机器学习基于分割的不确定性量化：MRI 左室体积估计的事后方法
该研究提出一种新的方法，使用 Ito 随机微分方程（SDEs）对左室体积预测进行后期不确定性估计，以提高自动分割的鲁棒性和可靠性，为临床设置中更可靠准确的左室体积估计打开新的方向。
- 3.0T 训练的深度学习分割模型在 0.55T 健康控制者的低场 MRI 上的开箱即用可行性
评估将深度学习算法应用于 0.55T 与 3.0T 之间的双侧膝关节生物标志物量化的可行性，证明 0.55T 低场 MRI 可以用于评估膝关节软骨厚度和骨分割，尤其在使用已训练 3.0T 的深度学习算法时，其表现与 3.0T 几乎相当。
- 2023 年脑肿瘤分割（BraTS）挑战赛：重点关注儿科（CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs）
CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs 2023 challenge is the first BraTS challenge focused on pediatric brain tumors - CVPR面向拓扑感知的三维图像分割焦点损失
本文研究如何解决分割算法中的拓扑错误问题，介绍了一种新的损失函数 topology-aware Focal Loss（TAFL），该函数结合传统的 Focal Loss 和基于 Wasserstein 距离的拓扑约束项，利用坐标空间上两张图 - 测量人类视觉分割的不确定性
通过像素为基础的判断和模型重构，本文探讨了说同异不同判断和图像不确定性如何影响感知分割和各个特征的权重，并将其应用于自然图像和复合材料纹理的分割，以对感知理论进行定量测试和创造分割算法的新基准。
- 为建筑物和设施管理者开发免费开源自动化建筑外立面裂缝检测软件
本研究旨在开发一种易于使用的、免费的、开源建筑外部裂缝自动检测软件 (ABECIS)，使用最先进的分割算法识别混凝土裂缝并生成定量和定性报告，经过实验验证，ABECIS 在室内控制环境下使用商用无人机进行室内裂缝检测实验，室内手机的裂缝检测 - 针对超高分辨率图像分割的降采样学习
本文提出一种基于学习性下采样模块的图像分割算法来解决低成本语义分割，优化采样密度分布并通过规则项鼓励采样位置聚焦于对象边界，实验证明对图像分辨率高、计算资源限制的三组数据集均具有高效 - 准确性的优势。
- ICCV从图像中检测和分割对抗性图形模式
本篇研究针对社交媒体行业面对的一种 “对抗攻击”，提出了一种基于人工图形模式分割的防御方案，并通过多种分割算法的有效性评估，提出了一种针对特定问题的新方法，经实验证明，该方法优于基准方法，并具有良好的泛化能力。
- ICCVRaidaR: 一个富有注释的下雨街景图像数据集
本研究介绍了 RaidaR 一个富注释的雨天驾驶场景图像数据集，包含最大数量的雨天图片，同时提供语义分割和物体实例分割等注释，用于提高数据驱动的机器感知能力，并展示数据增强与分割算法中的实用性。同时提出了一种可节省注释时间的半自动化方案，并 - NuCLS: 一种可扩展的众包深度学习方法与数据集，用于细胞核分类、定位和分割
本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。
- 保持拓扑结构的深度图像分割
我们提出了一种新的学习方法，通过设计一个连续的价值损失函数来促进分割具有与真值相同的拓扑结构，即具有相同的 Betti 数，将其并入深度神经网络的端到端训练中，以在广泛的自然和生物医学数据集上实现更好的性能。
- 肝肿瘤分割基准 (LiTS)
本文介绍了 Liver Tumor Segmentation Benchmark（LiTS）的设立以及结果，其中包括 131 个计算机断层扫描（CT）体积训练的 75 个肝脏和肝脏肿瘤分割算法，并使用 70 个从不同患者获取的测试图像进行测 - 遥感图像基于区域分类的深度学习框架有多有用？
本文研究分割算法在基于深度学习的遥感影像分类中的影响，特别是通过使用预训练的深度神经网络作为特征提取器来分割图像以便分类。我们比较了生成超像素的算法和传统的遥感分割算法，发现超像素算法可以提高分类准确性。
- 利用 ASAP 工具从 SOHO/MDI 数据识别光球活动特征
利用 Michelson Doppler Imager （MDI）数据，开发了一系列增强型分割算法来探测和计算 MDI 图像中的特定磁学特征的覆盖面积，并根据其在主动区边界内 / 外的对比性质将其分类为太阳黑子至边缘、亮斑、网络等，以期进行