使用CT中肝脏病变分类的解缠改进CNN训练

用于肝脏病变分类的端到端判别式深度网络

End-to-End Discriminative Deep Network for Liver Lesion Classification

Imagia（伊马吉亚）

结直肠癌肝转移是最具侵袭性的肝脏恶性肿瘤之一。虽然基于CT图像的病变类型的定义决定了诊断和治疗策略，但癌性和非癌性病变之间的区分是至关重要的，并且需要高度熟练的专业知识、经验和时间。在目前的工作中，我们介绍了一种端到端的深度学习方法，以帮助区分结直肠癌肝转移和肝脏腹部CT图像中的良性囊肿。我们的方法结合了InceptionV3的高效特征提取，并结合了ImageNet的残差连接和预训练权重。该架构还包括完全连接的分类层，以生成病变类型的概率输出。我们使用一个内部临床生物库，其中包含来自63名患者的230个肝脏病变。准确度为0.96，F1得分为0.92，所提出的方法获得的结果超过了最先进的方法。我们的工作为将机器学习工具纳入专业放射学软件提供了基础，以帮助医生早期发现和治疗肝脏病变。

2019-01-28cs.CV

一种用于检测和分割肝脏病变和病理淋巴结的全自动流水线

A Fully-Automated Pipeline for Detection and Segmentation of Liver Lesions and Pathological Lymph Nodes

Stanford（斯坦福大学）；Siemens Medical Solutions USA Inc（西门子医疗解决方案美国公司）

我们提出了一种全自动的方法，用于准确和鲁棒的检测和分割肝脏和淋巴结中发现的潜在癌性病变。该过程分三个步骤进行，包括器官检测、病变检测和病变分割。我们的方法应用机器学习技术，如边缘空间学习和卷积神经网络，以及活动轮廓模型。该方法被证明是强大的，在其处理极高的病变多样性。我们测试了我们的方法，体积计算机断层扫描（CT）图像，包括42卷包含肝脏病变和86卷包含595个病理淋巴结。10倍交叉验证的初步结果表明，对于肝脏病变和淋巴结，获得了0.53的总检测灵敏度和$0.71 \pm 0.15$的平均Dice分数用于分割。

2017-03-19cs.CV

基于级联全卷积神经网络和三维条件随机场的CT肝脏和病变自动分割

Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random Fields

Technische Universität München（慕尼黑工业大学）；LMU Hospital Grosshadern（LMU格罗斯哈德恩医院）

肝脏及其病变的自动分割是获得用于准确临床诊断和计算机辅助决策支持系统的定量生物标志物的重要一步。提出了一种利用级联全卷积神经网络（CFCN）和稠密三维条件随机场（CRF）自动分割CT腹部图像中肝脏和病变的方法。我们训练和级联两个FCN的肝脏及其病变的联合分割。在第一步中，我们训练FCN以分割肝脏作为第二个FCN的ROI输入。第二FCN仅从步骤1的预测的肝脏ROI分割病变。我们使用一个密集的三维CRF，占空间的连贯性和外观的CFCN细分细化。CFCN模型在包含15个肝脏肿瘤体积的腹部CT数据集3DIRCAD上进行了2重交叉验证训练。我们的研究结果表明，基于CFCN的语义肝脏和病变分割实现了肝脏的Dice分数超过94%，计算时间低于100秒每卷。我们的实验表明，所提出的方法作为一个决策支持系统的鲁棒性，具有高精度和速度的日常临床常规使用。

2016-10-07cs.CV

基于深度卷积神经网络的肝脏病变自动分割

Automatic Liver Lesion Segmentation Using A Deep Convolutional Neural Network Method

Elekta Inc.（医科达公司）

肝脏病灶分割是肝癌诊断、治疗计划制定和治疗效果评价的重要环节。LiTS（Liver Tumor Segmentation Challenge）为比较不同的自动肝脏病变分割方法提供了一个通用的测试平台。我们通过开发深度卷积神经网络（DCNN）方法参与这一挑战。特定的DCNN模型在2.5D中工作，因为它将相邻切片的堆栈作为输入，并产生与中心切片对应的分割图。该模型共有32层，利用了U-Net [1]的长距离级联连接和ResNet [2]的短距离残差连接。该模型使用130个LiTS训练数据集进行训练，并在70次测试CT扫描中获得了0.67的平均Dice得分，在ISBI 2017会议上排名第一。

2017-04-24cs.CV

基于多类分块的CNN肝脏病变检测类内变异性建模

Modeling the Intra-class Variability for Liver Lesion Detection using a Multi-class Patch-based CNN

Tel Aviv University（特拉维夫大学）；Sheba Medical Center（谢巴医疗中心）；Bar-Ilan University（巴伊兰大学）

CT图像中肝脏病变的自动检测对研究人员提出了很大的挑战。在这项工作中，我们提出了一种深度学习方法，该方法基于数据的先验知识，明确地对非病变类内的变异性进行建模，以支持自动病变检测系统。提出了一种多类卷积神经网络（CNN），用于将输入图像块分类为边界和内部块的子类别，其决策被融合以达到二进制病变与非病变决策。为了验证我们的系统，我们使用了132个肝脏和498个病变的CT图像。我们的方法显示出高度改进的检测结果，优于最先进的全卷积网络。自动化的计算机化工具，如在这项工作中所示，有可能在未来支持放射科医生对改善检测。

2017-07-20cs.CV

肝脏局灶性病变检测的初步研究

Delving Deep into Liver Focal Lesion Detection: A Preliminary Study

Sun Yat-sen University（中山大学）；The First Affiliated Hospital, Sun Yat-sen University（中山大学附属第一医院）；Infervision Inc.（推想医疗科技股份有限公司）

肝细胞癌（HCC）是世界上发病率最高的疾病之一，是恶性肿瘤死亡的第二大原因。由于肝脏是人体中唯一由两条主要血管供应的器官：肝动脉和门静脉，因此各种类型的恶性肿瘤可以从其他器官扩散到肝脏。由于肝脏肿块形状的不均匀性和弥散性，使得肿瘤病灶很难被识别，因此自动病灶检测对于工作量巨大的医生来说是必要的。为了辅助医生，这项工作使用现有的大规模标注医学图像数据，从多个方向深入研究肝脏病变检测。为了解决图像识别任务等技术难题，近年来，传统的卷积神经网络（CNN）深度学习得到了广泛应用。然而，这种神经网络，例如具有CNN特征的快速区域（R-CNN），不能利用空间信息，因为它应用于自然图像（2D）而不是医学图像（3D），例如计算机断层摄影（CT）图像。为了解决这个问题，我们提出了一种适用于肝脏CT成像的新型算法。根据放射科医师的临床诊断经验和肝癌CT图像的特点，提出了一种基于CNN的肝癌检测框架，包括图像处理、特征提取、区域建议、图像配准和分类识别，以实现对肝脏病变的有效检测。

2019-07-24cs.CV

基于简化深度模型的肝脏病变分割

Segmentation of Liver Lesions with Reduced Complexity Deep Models

Indian Institute of Science（印度科学学院）

我们提出了一个计算效率高的架构，学习分割病变的CT图像的肝脏。该架构使用双线性插值与亚像素卷积在最后一层，以提升瓶颈架构中的课程功能。由于双线性插值和子像素卷积没有任何可学习的参数，因此我们的整体模型比传统的U网更快，占用的内存更少。我们在2017年肝脏肿瘤分割（LiTS）挑战赛的高度竞争数据集上评估了我们提出的架构。我们的方法取得了有竞争力的结果，同时减少了可学习参数的数量，与原始UNet模型相比，大约减少了13.8倍。

2018-05-23cs.CV

使用深度学习的检测辅助肝脏病变分割

Detection-aided liver lesion segmentation using deep learning

Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心）；Eidgenössische Technische Hochschule Zürich (ETH Zürich)（苏黎世联邦理工学院）；Universitat Politècnica de Catalunya (UPC)（加泰罗尼亚理工大学）

用于分割肝脏并定位其不健康组织的全自动技术是诊断肝脏疾病并评估对相应治疗的反应的方便工具。在这项工作中，我们提出了一种方法来分割肝脏及其病变的计算机断层扫描（CT）扫描使用卷积神经网络（CNN），已被证明在各种计算机视觉任务，包括医学成像的良好效果。分割病灶的网络由级联结构组成，首先聚焦于肝脏区域以分割其上的病灶。此外，我们训练检测器来定位病灶，并用阳性检测来掩盖分割网络的结果。分割架构基于DRIU，这是一种全卷积网络（FCN），其侧输出适用于不同分辨率的特征图，最终受益于网络不同阶段学习的多尺度信息。这项工作的主要贡献是使用检测器来定位病变，我们证明这有利于消除由分割网络触发的假阳性。源代码和模型可在https://imatge-upc.github.io/liverseg-2017-nipsws/上获得。

2017-11-29cs.CV

基于级联深度残差网络的肝脏病变自动检测

Automatic Liver Lesion Detection using Cascaded Deep Residual Networks

University of Sydney（悉尼大学）；Shanghai Jiao Tong University（上海交通大学）

肝脏病变的自动分割是创建计算机辅助诊断（CAD）和决策支持系统（CDS）的基本要求。传统的分割方法严重依赖于手工制作的功能和用户的先验知识。因此，这些方法难以在临床环境中采用。最近，基于全卷积网络（FCN）的深度学习方法在许多分割问题中取得了成功，主要是因为它们利用大型标记数据集来分层学习最符合浅视觉外观的特征以及待分割区域的深层语义。然而，基于16层VGGNet架构的FCN增加额外层的能力有限。因此，在不同类别之间学习更多的区分特征是具有挑战性的。在这项研究中，我们克服了这些限制，使用深度残差网络（ResNet）分割肝脏病变。ResNet包含卷积层之间的跳过连接，这解决了在非常深的网络中训练精度下降的问题，从而可以使用额外的层来学习更具区分力的特征。此外，我们通过一种新的级联ResNet架构实现了更精确的边界定义，并通过多尺度融合逐步学习和推断肝脏和肝脏病变的边界。我们提出的方法在提交截止日期前在ISBI 2017肝脏肿瘤分割挑战赛中获得第4名。

2017-05-21cs.CV

通过深度动态纹理学习从大规模多相位CT数据中获取、检测和表征肝脏病变

Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning

PAII Inc.（PAII 公司）；Vanderbilt University（范德堡大学）；University of Texas, Arlington（德克萨斯大学阿灵顿分校）；Chang Gung Memorial Hospital（长庚纪念医院）；PingAn Technology（平安科技）

基于放射学的非侵入性病变表征和识别，例如，区分癌症亚型长期以来一直是增强肿瘤诊断和治疗程序的主要目标。在这里，我们研究了一个特定的人类受试者群体，希望减少对肝癌患者进行侵入性手术活检的需要，这可能会导致许多有害的副作用。为此，我们提出了一个全自动和多阶段的肝脏肿瘤表征框架，设计用于动态对比计算机断层扫描（CT）。我们的系统包括四个连续的过程，肿瘤建议检测，肿瘤收获，原发性肿瘤部位选择，和基于深度纹理的肿瘤表征。我们的主要贡献是：（1）我们提出了一种用于肝脏病变的3D非各向同性无锚检测方法;（2）我们提出并验证了空间自适应深度纹理（SaDT）学习，这允许更精确地表征肝脏病变;（3）使用半自动过程，我们从200个黄金标准注释中引导，以管理另外1001名患者。实验评估表明，我们的新数据整理策略，结合SaDT深度动态纹理分析，可以有效地提高平均F1分数>8.6%，与基线相比，在区分四种主要的肝脏病变类型。我们的F1评分（肝细胞癌与其余亚类）为0.763，高于使用动态CT报告的人类观察者表现，与高级磁共振成像协议相当。除了证明我们的数据整理方法和医生启发的工作流程的好处，这些结果还表明，分析纹理特征，而不是标准的基于对象的分析，是一个有前途的策略病变分化。

2020-08-30cs.CV

基于解剖结构一致性嵌入的领域不可知学习算法在跨模态肝脏分割中的应用

Domain-Agnostic Learning with Anatomy-Consistent Embedding for Cross-Modality Liver Segmentation

Department of Biomedical Engineering, Yale University（耶鲁大学生物医学工程系）；Department of Radiology & Biomedical Imaging, Yale School of Medicine（耶鲁大学医学院放射科与生物医学成像系）；Department of Electrical Engineering, Yale University（耶鲁大学电气工程系）；Department of Statistics & Data Science, Yale University（耶鲁大学统计与数据科学系）；Yale School of Medicine（耶鲁大学医学院）

领域自适应（DA）有可能极大地帮助深度学习模型的泛化。然而，目前的文献通常假设知识从源域转移到一个特定的已知目标域。领域不可知学习（DAL）提出了一个新的任务，从源域的知识转移到多个异构的目标域的数据。在这项工作中，我们提出了具有解剖学一致性嵌入的域不可知学习框架（DALACE），该框架适用于域转移和任务转移以学习解纠缠表示，其目的不仅是对不同模态不变，而且还保留了跨模态肝脏分割中DA和DAL任务的解剖结构。我们验证并比较了我们的模型与最先进的方法，包括CycleGAN，任务驱动生成对抗网络（TD-GAN）和通过解纠缠表示的域自适应（DADR）。对于DA任务，我们的DALACE模型优于CycleGAN，TD-GAN和DADR，DSC为0.847，而0.721，0.793和0.806。对于DAL任务，我们的模型通过CycleGAN，TD-GAN和DADR将DSC的性能从0.522，0.719和0.742提高到0.794。此外，我们可视化了解纠缠的成功，这增加了人类对学习到的有意义的表征的可解释性。通过消融分析，我们具体显示了解纠缠对下游任务的具体好处，以及监督的作用，以便更好地解纠缠表示，分割一致性对于建议的域不可知模块（DAM）的域是不变的，并保留解剖信息与建议的解剖保留模块（APM）。

2019-08-27cs.CVcs.LGeess.IV

因果解缠用于鲁棒的长尾医学图像生成

Causal Disentanglement for Robust Long-tail Medical Image Generation

School of Electrical and Information Engineering, Tianjin University, China（天津大学电气与信息工程学院）；Department of Information Engineering and Computer Science, University of Trento, Italy（特伦托大学信息工程与计算机科学系）；Fondazione Bruno Kessler, Italy（布鲁诺·克塞勒基金会）

针对医学图像数据稀缺和类别不平衡问题，本文提出基于因果解缠的生成框架，分离病理与结构特征，结合文本引导的扩散模型和大语言模型，生成高质量、结构稳定的反事实医学图像，并优化长尾类别性能。

2025-04-24cs.CV

使用FCN和GAN网络从CT到PET的交叉模态合成用于改进的自动化损伤检测

Cross-Modality Synthesis from CT to PET using FCN and GAN Networks for Improved Automated Lesion Detection

Tel Aviv University（特拉维夫大学）；Sheba Medical Center（谢巴医疗中心）；University College London Hospital（伦敦大学学院医院）

在这项工作中，我们提出了一种新的系统，使用CT扫描生成虚拟PET图像。我们将全卷积网络（FCN）与条件生成对抗网络（GAN）相结合，从给定的输入CT数据生成模拟PET数据。合成的PET可用于减少病变检测解决方案中的假阳性。在临床上，这种解决方案可以在仅CT的环境中实现病变检测和药物治疗评估，从而减少对更昂贵的放射性PET/CT扫描的需求。我们的数据集包括来自Sheba医疗中心的60个PET/CT扫描。我们使用了23次扫描用于训练，37次用于测试。定性地比较了实现合成输出的不同方案。使用现有的病变检测软件进行定量评价，将合成的PET结合作为假阳性减少层，用于检测肝脏中的恶性病变。目前的结果看起来很有希望，显示每个病例的平均假阳性率从2.9降低到2.1，降低了28%。建议的解决办法是全面的，可以扩展到其他身体器官和不同的模式。

2018-07-23cs.AIcs.CV

一种用于局灶性肝脏病变分类的视觉-语言模型

A Vision-Language Model for Focal Liver Lesion Classification

School of Mathematical Sciences, Huaqiao University（华侨大学数学科学学院）；College of Information Science and Engineering, Ritsumeikan University（立命馆大学信息科学与工程学院）；School of Information Science and Engineering, Shandong University（山东大学信息科学与工程学院）

本文提出专用于局灶性肝脏病变分类的视觉-语言模型Liver-VLM，通过将类别信息融入文本编码器并对齐图像与文本特征，在MPCT-FLLs数据集上超越CLIP和MedCLIP，且轻量ResNet18骨干在数据受限时表现更优。

2025-05-06cs.CV

自适应局部窗口在CT和MRI肝脏病变水平集分割中的应用

Adaptive Local Window for Level Set Segmentation of CT and MRI Liver Lesions

Stanford University（斯坦福大学）；University of California, San Diego Medical Center（加州大学圣地亚哥医学中心）

本文提出了一种改进水平集分割技术的新方法--自适应局部窗口法。在分割过程的迭代中，针对每个轮廓点以及针对每个单独的对象分别估计窗口。我们的方法考虑了对象的规模，空间纹理，和变化的能量功能的迭代。全局和局部统计被认为是通过计算几个灰度共生矩阵。我们证明了该方法在医学成像领域的能力，用于分割233幅肝脏病变图像。为了说明我们的方法的强度，这些图像是通过计算机断层扫描或磁共振成像获得的。此外，我们使用三种不同的能量模型分析图像。我们比较我们的方法，全球水平集分割和本地框架，使用预定义的固定大小的方形窗口。结果表明，我们提出的方法优于其他方法的协议与手动标记和依赖于轮廓初始化或使用的能量模型。在复杂病变的情况下，例如低对比度病变、异质性病变或具有噪声背景的病变，与现有技术的固定大小局部窗口相比，我们的方法显示出显著更好的分割，Dice相似性系数提高了0.25 ± 0.13（Wilcoxon，p < 0.001）。

2016-06-12cs.CV

基于区分训练时空模型的超声造影肝脏局灶性病变识别

Recognizing Focal Liver Lesions in Contrast-Enhanced Ultrasound with Discriminatively Trained Spatio-Temporal Model

Sun Yat-sen University（中山大学）；NEC Laboratories, China（NEC中国研究院）

本研究的目的是提供一个自动计算的框架，以帮助临床医生诊断局灶性肝脏病变（FLL）的对比增强超声（CEUS）。我们代表FLL在CEUS视频剪辑作为一个合奏的区域的利益（ROI），其位置被建模为一个判别模型中的潜变量。不同类型的FLL的特征在于ROI的空间和时间增强模式。该模型通过迭代推断最佳ROI位置和优化模型参数来学习。为了有效地搜索ROI的最佳空间和时间位置，我们提出了一个数据驱动的推理算法，通过结合有效的空间和时间修剪。实验表明，我们的方法在文献中最大的数据集上取得了令人鼓舞的结果（据我们所知），我们已经公开了。

2015-02-03cs.CV

基于二维Tiramisu和Tversky损失函数的肝脏病灶分割

Liver Lesion Segmentation with slice-wise 2D Tiramisu and Tversky loss function

Heidelberg University（海德堡大学）；University Medical Center Mannheim（曼海姆大学医学中心）

目前，病变分割仍然由医学专家手动（或半自动）执行。为了促进这一过程，我们提供了一个全自动的病变分割管道。这项工作提出了一种方法，作为ISBI 17和MICCAI 17的LiTS（肝脏肿瘤分割挑战）竞赛的一部分，比较了CT扫描中肝脏病变的自动分割方法。通过利用级联的，密集连接的2D U-网和基于Tversky系数的损失函数，我们的框架实现了非常好的形状提取，具有高检测灵敏度，在发布时具有竞争力的分数。此外，调整Tversky损失中的超参数可以将网络调整到更高的灵敏度或鲁棒性。

2019-05-09cs.CVeess.IV

基于掩模挖掘的肝脏病变分割算法

Mask Mining for Improved Liver Lesion Segmentation

Medical Faculty Mannheim（曼海姆医学院）；Heidelberg University（海德堡大学）；Tooploox

我们提出了一种新的程序，以改善肝脏和病变分割CT扫描的U-Net为基础的模型。我们的方法扩展了标准的分割管道，专注于更高的目标召回率或减少噪声假阳性预测，提高整体分割性能。为了实现这一目标，我们将分割错误纳入到附加到主训练设置的新学习过程中，使模型能够找到解释先前错误的特征。我们在语义上不同的架构上对此进行了评估：级联的二维和三维以及用于多任务分割的组合学习设置。肝脏和病变分割数据由肝脏肿瘤分割挑战（LiTS）提供，骰子分数最多增加2分。

2020-03-11cs.CVeess.IV

一种用于肝脏CT扫描中超高性能病灶检测和假阳性去除的级联方法

A Cascaded Approach for ultraly High Performance Lesion Detection and False Positive Removal in Liver CT Scans

University of Maryland（马里兰大学）；Chang Gung Memorial Hospital（长庚纪念医院）；Chang Gung University（长庚大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）

针对肝脏CT图像中病灶差异大、检测难的问题，构建大规模多期CT数据集并提出两阶段级联检测流水线，通过高灵敏度检测与假阳性重分类算法，在诊断和筛查设置下均实现高精度恶性分类。

2023-06-28cs.CVeess.IV

植入合成病灶改善CT检查中的肝脏病灶分割

Implanting Synthetic Lesions for Improving Liver Lesion Segmentation in CT Exams

IBM Research（IBM研究院）

使用计算机断层扫描（CT）检查的监督病变分割算法的成功在很大程度上取决于可用于训练的样本的数量和可变性。虽然注释这些数据本身构成了挑战，但数据集中病变的变异性也取决于不同类型病变的患病率。这种现象给病变分割算法增加了固有的偏差，在不同的可能性中，可以使用积极的数据增强方法来消除这种偏差。在本文中，我们提出了一种在CT切片中植入真实病变的方法，以提供丰富且可控的训练样本集，并最终提高语义分割网络在CT检查中描绘病变的性能。我们的研究结果表明，植入合成病变不仅提高了（约12%）的分割性能，考虑到不同的架构，而且这种改善是一致的不同的图像合成网络。我们的结论是，综合增加病变的大小，密度，形状和位置的变化似乎提高了CT切片中肝脏病变分割的分割模型的性能。

2020-08-11cs.CVeess.IV

基于上下文感知的PolyUNet腹部CT图像肝脏和病变分割

Context-aware PolyUNet for Liver and Lesion Segmentation from Abdominal CT Images

The Chinese University of Hong Kong（香港中文大学）

在临床实践中，从计算机断层扫描（CT）图像中准确分割肝脏和病变以辅助肝脏肿瘤疾病的诊断和评估是非常重要的。然而，由于图像的对比度、分辨率和质量的多样性，从对比增强CT体积中自动分割肝脏和病变是极具挑战性的。先前基于UNet的2D逐切片或3D逐体积分割方法要么缺乏足够的空间上下文，要么遭受高GPU计算成本，这限制了性能。为了解决这些问题，我们提出了一种新的上下文感知PolyUNet，用于准确的肝脏和病变分割。它共同探索结构多样性和连续t相邻切片，以丰富特征表达能力和空间上下文信息，同时避免GPU内存消耗过载。此外，我们利用放大/缩小和两阶段细化策略，以排除不相关的上下文，并专注于细粒度分割的特定区域。我们的方法在MICCAI 2017肝脏肿瘤分割（LiTS）挑战赛中使用单个模型在所有任务中实现了非常有竞争力的性能，并分别在肝脏分割、病变分割、病变检测和肿瘤负荷估计中对$3^{rd}$、$12^{th}$、$2^{nd}$和$5^{th}$进行了排名。

2021-06-21cs.CVeess.IV

基于分组Single Shot MultiBox检测器的弱标记多相位CT探测器的肝脏病变检测

Liver Lesion Detection from Weakly-labeled Multi-phase CT Volumes with a Grouped Single Shot MultiBox Detector

Seoul National University（首尔大学）；Seoul National University Hospital（首尔大学医院）；Seoul National University College of Medicine（首尔大学医学院）；Institute of Radiation Medicine, Seoul National University Medical Research Center（首尔大学医学研究中心放射医学研究所）

我们提出了一种利用定制设计的多相计算机断层扫描（CT）体积的局灶性肝脏病变检测模型，该模型反映了使用Single Shot MultiBox探测器（SSD）的真实临床病变检测实践。我们表明，分组卷积有效地利用更丰富的信息的多相位数据的目标检测模型，而一个天真的应用SSD遭受的泛化差距。我们训练和评估了修改后的SSD模型，并通过五重交叉验证使用我们的64名受试者的CT数据集最近提出了变体。我们的模型达到了53.3%的平均精度分数，每卷运行时间不到三秒，优于原始模型和最先进的变体。结果表明，一阶段目标检测模型是一种实用的解决方案，它可以实时运行，并且可以从大容量的真实世界检测数据集中学习无偏的特征表示，这需要更少的繁琐和耗时的弱相位级限界框标签的构建。

2018-07-02cs.CV

基于迁移学习的联合肝脏病变分割与分类

Joint Liver Lesion Segmentation and Classification via Transfer Learning

Tel-Aviv University（特拉维夫大学）

迁移学习和联合学习方法被广泛用于提高卷积神经网络（CNN）的性能。在目标数据集通常非常小的医学成像应用中，迁移学习改进了特征学习，而联合学习在提高网络的泛化和鲁棒性方面表现出了有效性。在这项工作中，我们研究了这两种方法相结合的肝脏病变分割和分类的问题。为此，332腹部CT切片包含病变分割和三种病变类型的分类进行了评价。对于特征学习，使用MICCAI 2017肝脏肿瘤分割（LiTS）挑战的数据集。联合学习在分割和分类结果方面都有改进。我们表明，一个简单的联合框架优于常用的多任务架构（Y-Net），实现了10%的分类精度的提高，相比之下，Y-Net的3%的提高。

2020-05-24cs.CVeess.IV

基于混合级联神经网络的肝脏病变分割

Hybrid Cascaded Neural Network for Liver Lesion Segmentation

University of Georgia（佐治亚大学）

自动肝脏病变分割是一项具有挑战性的任务，同时对协助医疗专业人员设计有效的治疗和规划适当的护理具有重大影响。在本文中，我们提出了一个级联系统，它结合了2D和3D卷积神经网络来有效地分割肝脏病变。我们的2D网络在逐层的基础上进行操作，以分割肝脏和较大的肿瘤，而我们使用3D网络来检测2D分割设计中经常遗漏的小病变。我们在LiTS挑战中使用该算法，每例的Dice得分为68.1%，在所有非预训练模型中表现最好，在已发表的方法中排名第二。我们还进行了双重交叉验证，以揭示LiTS注释中的过度分割和欠分割问题。

2019-10-08cs.CVcs.LGeess.IV

FairDisCo：通过解缠结对比学习实现皮肤病学中更公平的AI

FairDisCo: Fairer AI in Dermatology via Disentanglement Contrastive Learning

University of British Columbia（不列颠哥伦比亚大学）；Simon Fraser University（西蒙弗雷泽大学）

深度学习模型在自动化皮肤病变诊断方面取得了巨大成功。然而，这些模型预测中的种族差异，其中深色皮肤类型的病变通常代表性不足，诊断准确性较低，很少受到关注。在本文中，我们提出了FairDisCo，这是一个具有对比学习的解纠缠深度学习框架，它利用一个额外的网络分支来去除敏感属性，即从表示中去除皮肤类型信息以实现公平性，并利用另一个对比分支来增强特征提取。我们将FairDisCo与三种公平性方法进行比较，即重新分配，重新加权和属性感知，在两个新发布的具有不同皮肤类型的皮肤病变数据集上：Fitzpatrick17k和多样化皮肤病学图像（DDI）。我们采用两个基于公平性的度量标准EBM和EOM用于我们的多类和敏感属性任务，突出皮肤病变分类中的皮肤类型偏见。广泛的实验评估证明了FairDisCo的有效性，在皮肤病变分类任务上具有更公平和更优越的性能。

2022-08-22cs.CV

基于特征融合编码解码网络的肝脏病变自动分割

Feature Fusion Encoder Decoder Network For Automatic Liver Lesion Segmentation

University of Science and Technology of China（中国科学技术大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）

肝脏病变分割是医学图像分析中的一个难点。最近，基于深度学习的图像分割方法已经取得了很好的性能，根据模型的维度，可以分为三类：2D，2.5D和3D。然而，2.5D和3D方法可能具有非常高的复杂度，并且2D方法可能无法令人满意地执行。为了获得具有竞争力的性能，低复杂度，在本文中，我们提出了一种基于二维分割模型的融合编码器-解码器网络（FED-Net），以解决具有挑战性的问题，肝脏病变CT图像分割。我们的特征融合方法是基于注意力机制，它融合了高层次的功能，携带语义信息与低层次的功能，具有图像的细节。此外，为了补偿上采样过程中的信息损失，提出了密集上采样卷积和残差卷积结构。我们在MICCAI 2017肝脏肿瘤分割（LiTS）挑战赛的数据集上测试了我们的方法，并与其他最先进的方法相比取得了有竞争力的结果。

2019-03-28cs.CVcs.LG

基于级联全卷积神经网络的CT和MRI自动肝脏和肿瘤分割

Automatic Liver and Tumor Segmentation of CT and MRI Volumes using Cascaded Fully Convolutional Neural Networks

Technical University of Munich（慕尼黑工业大学）；LMU Hospital Grosshadern（路德维希-马克西米利安-慕尼黑大学格罗斯哈德恩医院）

肝脏和肝脏病变的自动分割是获得用于准确临床诊断和计算机辅助决策支持系统的定量生物标志物的重要一步。本文提出了一种方法，自动分割肝脏和病变的CT和MRI腹部图像使用级联全卷积神经网络（CFCN），使分割的大规模医疗试验或定量图像分析。我们训练和级联两个FCN的肝脏及其病变的联合分割。在第一步中，我们训练FCN以分割肝脏作为第二个FCN的ROI输入。第二FCN仅分割步骤1的预测肝脏ROI内的病变。CFCN模型在包括100个肝肿瘤体积的腹部CT数据集上训练。进一步的数据集上的验证表明，基于CFCN的语义肝脏和病变分割实现了肝脏的Dice评分超过94%，计算时间低于100秒/体积。我们进一步通过实验证明了所提出的方法在38个MRI肝脏肿瘤体积和公共3DIRCAD数据集上的鲁棒性。

2017-02-23cs.AIcs.CV

TexLiverNet：利用医学知识与空间-频率感知增强肝脏肿瘤分割

TexLiverNet: Leveraging Medical Knowledge and Spatial-Frequency Perception for Enhanced Liver Tumor Segmentation

TexLiverNet通过构建病灶特异性文本注释数据集，并采用智能体交叉注意力与空间-频率感知模块，实现了肝脏肿瘤分割性能的显著提升。

2024-11-07cs.CVeess.IV

PLUS：非对比增强CT扫描中即插即用增强型肝脏病灶诊断模型

PLUS: Plug-and-Play Enhanced Liver Lesion Diagnosis Model on Non-Contrast CT Scans

School of Biomedical Engineering, Tsinghua University（清华大学生物医学工程学院）；DAMO Academy, Alibaba Group（阿里集团达摩院）；Hupan Lab（汇看实验室）；Department of Radiology, Shengjing Hospital of China Medical University（中国医科大学附属盛京医院放射科）；Department of Hepatobiliary and Pancreatic Surgery, First Affiliated Hospital of Zhejiang University（浙江大学医学院附属第一医院肝胆外科）

PLUS是一个即插即用框架，旨在增强非对比增强CT上任意3D分割模型的局灶性肝脏病灶分析能力，在8651名患者实验中显著提升了病灶级和患者级F1分数，改善了恶性病灶筛查效果。

2025-07-05cs.CVeess.IV

使用具有Transformer层的混合CNN在MRI中进行联合肝脏和肝脏病变分割

Joint Liver and Hepatic Lesion Segmentation in MRI using a Hybrid CNN with Transformer Layers

Otto-von-Guericke University（奥托·冯·格里克大学）；University Hospital of Magdeburg（马格德堡大学医院）

由于肝癌的发病率每年都在增加，因此基于深度学习的肝脏和其中的肝脏病变的分割在临床实践中稳步获得相关性。尽管在过去几年中已经成功开发了各种在医学图像分割领域具有整体前景的网络变体，但几乎所有这些变体都在努力应对磁共振成像（MRI）中准确分割肝脏病变的挑战。这导致了将卷积和基于变换器的架构的元素相结合以克服现有限制的想法。本文提出了一种混合网络SWTR-Unet，由预训练的ResNet、Transformer块和通用Unet风格的解码器路径组成，主要应用于单模态非对比增强肝脏MRI，并应用于肝脏肿瘤分割（LiTS）挑战的公开计算机断层扫描（CT）数据，以验证其在其他模态上的适用性。为了进行更广泛的评价，实施和应用了多个最先进的网络，以确保直接可比性。通过相关性分析和消融实验，研究了各种因素对分割精度的影响。在MRI数据集上，肝脏和81+-28%病变分割的平均Dice评分分别为98+-2%和79+-25%，在CT数据集上分别为97+-2%和79+-25%，所提出的SWTR-Unet被证明是肝脏和肝脏病变分割的精确方法，具有MRI的最新结果和CT成像的竞争准确性。所实现的分割精度被认为是与手动执行的专家分割，如观察者间变异性所示的肝脏病变分割。总之，该方法可以节省宝贵的时间和资源，在临床实践中。

2023-03-22cs.CVcs.LGeess.IV

LIDIA：基于迭代融合与非对称对比学习的多期相增强CT肝脏肿瘤精准诊断

LIDIA: Precise Liver Tumor Diagnosis on Multi-Phase Contrast-Enhanced CT via Iterative Fusion and Asymmetric Contrastive Learning

College of Computer Science, Sichuan University（四川大学计算机学院）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Hupan Lab（湖畔实验室）；Shengjing Hospital of China Medical University（中国医科大学附属盛京医院）；First Affiliated Hospital of Zhejiang University（浙江大学附属第一医院）

针对肝脏肿瘤高度异质性和多期相CT利用不足的问题，提出LIDIA网络，通过迭代融合模块聚合多期相特征，并结合非对称对比学习增强类别区分度，在1,921例患者的大规模数据集上取得93.6%的平均AUC，并在外部队列中展现良好泛化能力。

2024-07-18cs.CV

使用多相位和多序列MRI进行肝脏病变定位、区分和不确定性估计的深度学习管道

A deep learning pipeline for localization, differentiation, and uncertainty estimation of liver lesions using multi-phasic and multi-sequence MRI

Eastern Hepatobiliary Surgery Hospital（东方肝胆外科医院）；Ping An Technology（平安科技）；Georgia Institute of Technology（佐治亚理工学院）；PAII Inc.（PAII公司）

目的：提出一种全自动的计算机辅助诊断（CAD）解决方案，用于肝脏病变表征，并进行不确定性估计。研究方法：从2006年到2019年，我们招募了400名肝切除或活检的患者，他们被诊断为肝细胞癌（HCC），肝内胆管癌或继发性转移。所有患者均行T1 WI、T2 WI、T1 WI静脉期（T2 WI-V）、T1 WI动脉期（T1 WI-A）及DWI扫描。我们提出了一个全自动的深CAD管道，使用关键切片解析从3D MRI研究中定位病变，并为其诊断提供置信度。我们使用五重交叉验证进行评估，并与三名放射科医生（包括高级肝病放射科医生、初级肝病放射科医生和腹部放射科医生）进行性能比较。结果如下：所提出的CAD解决方案实现了0.62的平均F1分数，优于腹部放射科医师（0.47），匹配初级肝病放射科医师（0.61），并且低于高级肝病放射科医师（0.68）。CAD系统可以信息化地评估其诊断置信度，即，当仅对70%最可信的病例进行评估时，HCC相对于其他的在80%特异性下的平均f1评分和灵敏度分别从0.62提高到0.71和从0.84提高到0.92。结论：所提出的全自动CAD解决方案可以提供良好的诊断性能，其具有在从MRI研究中发现和区分肝脏病变的信息置信度评估。

2021-10-17cs.CVeess.IV

LiMT：一个多任务肝脏图像基准数据集

LiMT: A Multi-task Liver Image Benchmark Dataset

School of Computer Science and Communication Engineering, Jiangsu University（江苏大学计算机科学与通信工程学院）；Department of Imaging, Affiliated Hospital of Jiangsu University（江苏大学附属医院影像科）；Department of Information, Affiliated Hospital of Jiangsu University（江苏大学附属医院信息科）；Medical College of Jiangsu University（江苏大学医学院）

本文提出LiMT多任务肝脏图像数据集，用于肝部和肿瘤分割、多标签病变分类及病变检测，旨在探索任务间相关性并提升CAD技术发展。

2025-11-25cs.CV

多期相CT扫描中的多目标多阶段肝脏病变分割与检测

Multi-target and multi-stage liver lesion segmentation and detection in multi-phase computed tomography scans

King Fahd University of Petroleum and Minerals（法赫德国王石油矿产大学）；Vinbrain JSC（Vinbrain股份公司）；Le Quy Don Technical University（黎贵敦技术大学）；University Medical Center at Ho Chi Minh City（胡志明市大学医疗中心）

针对多期相CT肝脏病变检测难题，提出三阶段分割方法，整合单期相模型学习成果，较现有最优模型分割相对性能提升1.6%，受试者间性能波动降低8%。

2024-04-17cs.CVeess.IV

利用不确定性估计减少肝脏病变检测中的假阳性

Using uncertainty estimation to reduce false positives in liver lesion detection

Image Sciences Institute, University Medical Center Utrecht（乌得勒支大学医学中心图像科学研究所）；Department of Biomedical Engineering, Eindhoven University of Technology（埃因霍温理工大学生物医学工程系）

尽管深度学习技术在检测医学图像中的对象方面取得了成功，但仍会出现假阳性检测，这可能会阻碍准确的诊断。我们提出了一种技术，以减少假阳性检测的神经网络使用SVM分类器训练的功能来自神经网络预测的不确定性地图。我们证明了这种方法的有效性，用于检测肝脏病变的腹部MR图像的数据集。我们发现，使用0.5的丢弃率在神经网络预测中产生的误报数量最少，并且经过训练的分类器在测试集中过滤掉了大约90%的误报检测。

2021-01-26cs.CVcs.LGeess.IV

基于像素-病灶-患者网络的CT肝肿瘤筛查与诊断

Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient Network

DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Hupan Lab（湖畔实验室）；Shengjing Hospital of China Medical University（中国医科大学附属盛京医院）

针对CT肝肿瘤筛查与诊断问题，提出PLAN框架，结合mask transformer与图像级分类器实现病灶分割分类及患者级诊断，在多期数据集上表现优于主流模型且与资深医生相当。

2023-10-21cs.CVeess.IV

AMINN：基于自动编码器的多实例神经网络提高多灶性肝转移瘤的预后预测

AMINN: Autoencoder-based Multiple Instance Neural Network Improves Outcome Prediction of Multifocal Liver Metastases

University of Toronto（多伦多大学）；Sunnybrook Research Institute（桑尼布鲁克研究所）；Centre Hospitalier Universitaire de Lyon（里昂大学医院中心）

结直肠癌是最常见和最致命的癌症之一，结直肠癌肝转移（CRLM）是结直肠癌患者死亡的主要原因。多病灶常发生在CRLM中，但在CRLM结局预测中相对未被探索。大多数现有的临床和影像学生物标志物没有考虑到所有多灶性病变的影像学特征。在本文中，我们提出了一个端到端的自动编码器为基础的多实例神经网络（AMINN）的生存结果预测多灶性CRLM患者使用放射组学特征提取对比增强MRI。具体来说，我们共同训练一个自动编码器来重建输入特征，并通过聚合来自患者所有肿瘤病变的信息来构建一个多实例网络进行预测。此外，我们采用了两步归一化技术来改进深度神经网络的训练，这是建立在观察到放射组学特征的分布几乎总是严重偏斜的基础上的。实验结果从经验上验证了我们的假设，即结合所有病变的影像学特征可提高多灶性癌症的预后预测。提出的AMINN框架实现了0.70的ROC曲线下面积（AUC），比最佳基线方法高11.4%。基于AMINN输出的风险评分在我们的多灶CRLM队列中实现了更优的预测。一系列消融研究证明了合并所有病变并应用两步标准化的有效性。AMINN的Keras实现已经发布。

2021-07-09cs.CV

基于GAN的合成医学图像增强，用于提高肝脏病变分类中的CNN性能

GAN-based Synthetic Medical Image Augmentation for increased CNN Performance in Liver Lesion Classification

Tel Aviv University（特拉维夫大学）；The Chaim Sheba Medical Center（夏姆谢巴医疗中心）；Bar-Ilan University（巴伊兰大学）

深度学习方法，特别是卷积神经网络（CNN），主要通过使用大规模注释数据集，在广泛的计算机视觉任务中取得了巨大突破。然而，在医学领域获得这样的数据集仍然是一个挑战。在本文中，我们提出了使用最近提出的深度学习生成对抗网络（GANs）生成合成医学图像的方法。此外，我们表明，生成的医学图像可用于合成数据增强，并提高了CNN的性能，用于医学图像分类。我们的新方法证明了有限的数据集的计算机断层扫描（CT）图像的182个肝脏病变（53个囊肿，64个转移瘤和65个血管瘤）。我们首先利用GAN架构来合成高质量的肝脏病变ROI。然后，我们提出了一种新的计划，肝脏病变分类使用CNN。最后，我们使用经典的数据增强和我们的合成数据增强来训练CNN并比较性能。此外，我们还使用可视化和专家评估来探索我们合成示例的质量。仅使用经典数据增强的分类性能产生78.6%的灵敏度和88.4%的特异性。通过添加合成数据增强，结果增加到85.7%的灵敏度和92.4%的特异性。我们相信，这种合成数据增强的方法可以推广到其他医学分类应用，从而支持放射科医生的努力，以提高诊断。

2018-03-03cs.CVcs.LGstat.ML

基于注意力的CT扫描插值用于结直肠癌肝转移病灶分割

Attention-based CT Scan Interpolation for Lesion Segmentation of Colorectal Liver Metastases

Queen’s University（女王大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）

针对CT切片厚度差异导致CNN分割性能下降的问题，提出无监督注意力插值模型生成中间切片，整合分割损失并突出肝脏病灶区域，在CRLM数据集上提升Dice分数并优于其他插值方法。

2023-08-30cs.CVeess.IV

鲁棒多中心结直肠肝转移的CT检测与分类：基础模型的应用

Robust Multicentre Detection and Classification of Colorectal Liver Metastases on CT: Application of Foundation Models

Maastricht University（马斯特里赫特大学）；Siemens Healthcare GmbH（西门子医疗有限公司）；The First Affiliated Hospital of Sun Yat-sen University（中山大学附属第一医院）；Medical University of Gdańsk（格但斯克医科大学）；Umeå University（于默奥大学）；Lithuanian University of Health Sciences（立陶宛健康科学大学）；University of Pisa（比萨大学）；Maastricht University Medical Center+（马斯特里赫特大学医学中心+）

本研究提出基于基础模型的AI流程，用于多中心CT中结直肠肝转移的稳健检测与分类，通过整合不确定性量化和可解释性，提升了分类准确率和病变检测效率。

2026-01-12cs.CV

AMPLIFAI：用于基准测试LI-RADS肝脏病变评估临床推理的多期CT数据集

AMPLIFAI: A Multiphase CT Dataset for Benchmarking Clinical Reasoning in LI-RADS Assessment of Liver Lesions

University of Maryland, College Park（马里兰大学帕克分校）；University of Maryland School of Medicine（马里兰大学医学院）；University of Maryland Institute for Health Computing（马里兰大学健康计算研究所）；University of Maryland Medical System（马里兰大学医学系统）

研究针对LI-RADS肝脏病变评估AI模型缺乏公开高质量数据集的问题，推出首个公开多期腹部CT扫描的AMPLIFAI数据集，标注LI-RADS类别并分割关键特征，助力相关透明可复现研究。

2026-08-20cs.CVcs.LG

HepatoGEN：基于感知与对抗模型生成肝胆期MRI

HepatoGEN: Generating Hepatobiliary Phase MRI with Perceptual and Adversarial Models

本研究提出基于深度学习的方法，利用感知U-Net、pGAN和DDPM从早期对比期合成肝胆期MRI，结果显示pGAN定量最佳但存在异质对比，U-Net伪影更少，证明了合成HBP图像减少扫描时间的临床潜力。

2025-08-14cs.CVeess.IV

双注意增强BDense-UNet算法在肝脏病变分割中的应用

Dual-Attention Enhanced BDense-UNet for Liver Lesion Segmentation

The University of Hong Kong（香港大学）；The University of Hong Kong-Shenzhen Hospital（香港大学深圳医院）

在这项工作中，我们提出了一种新的分割网络，将DenseUNet和双向LSTM与注意力机制集成在一起，称为DA-BDense-UNet。DenseUNet允许学习足够多的不同特征，并通过调节信息流来增强网络的代表性。双向LSTM负责探索编码和解码路径中编码特征和上采样特征之间的关系。同时，我们在DenseUNet中引入了注意门（AG），以逐渐减少不相关背景区域的响应，并放大显著区域的响应。此外，双向LSTM中的注意力考虑了编码特征和上采样特征在分割改进中的贡献差异，从而可以为这两种特征调整适当的权重。我们对从多家医院收集的肝脏CT图像数据集进行实验，将其与最先进的分割模型进行比较。实验结果表明，我们提出的方法DA-BDense-UNet取得了比较性能的骰子系数，这表明了其有效性。

2021-07-24cs.CVeess.IV

TriALS: 三相辅助非增强CT肝脏病变分割基准

TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT

Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港理工大学电子与计算机工程系）；AI Center of Excellence, Ain Shams University（爱思明大学人工智能中心）；Department of Radiology, Ain Shams University（爱思明大学放射科）；Department of Radiology, Guangdong Provincial Key Laboratory of Malignant Tumor Epigenetics and Gene Regulation, Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University（广东省恶性肿瘤表观遗传与基因调控重点实验室，中山大学孙逸仙纪念医院放射科）；Nanfang Hospital, Southern Medical University（南方医科大学南华医院）；Division of Medical Image Computing, German Cancer Research Center (DKFZ), Heidelberg, Germany（德国癌症研究中心（DKFZ）医学影像计算部，海德堡，德国）；Medical Faculty Heidelberg, Heidelberg University（海德堡大学医学院）；Faculty of Mathematics and Computer Science, Heidelberg University（海德堡大学数学与计算机科学学院）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）

本文提出TriALS挑战，通过多中心150例数据评估自动肝脏病变分割算法，在非增强CT条件下取得人类水平性能，但表现受训练数据规模和预训练策略影响显著。

2026-05-15cs.CV

MRI2Rep：3D肝脏MRI的自回归结构化报告生成

MRI2Rep: Autoregressive Structured Report Generation for 3D Liver MRI

Department of Biomedical Engineering（生物医学工程系）；Department of Radiology & Biomedical Imaging（放射学与生物医学影像系）；Department of Electrical Engineering（电气工程系）；Yale University（耶鲁大学）；Johns Hopkins University（约翰霍普金斯大学）；Johns Hopkins Medicine（约翰霍普金斯医学）

提出MRI2Rep自回归框架，通过报告到标签规范化模块将自由文本转换为结构化诊断序列，实现3D肝脏MRI的端到端结构化报告生成，在真实数据集上优于基线方法。

2026-06-25cs.CV

不确定性估计技术对肝脏病变检测中假阳性减少的影响

Influence of uncertainty estimation techniques on false-positive reduction in liver lesion detection

University Medical Center Utrecht（乌得勒支大学医学中心）；Eindhoven University of Technology（埃因霍温理工大学）

本研究通过开发基于分类的后处理步骤，探讨了不确定性估计和形状特征在减少肝脏病变检测假阳性中的作用，发现类别不平衡和不确定性图的形状特征对区分真假阳性至关重要。

2022-12-15cs.CVcs.LGeess.IV

SDR-Former：一种用于基于3D多期相影像的肝脏病变分类的暹罗双分辨率Transformer

SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging

Deepwise Healthcare（深睿医疗）；Sir Run Run Shaw Hospital, Zhejiang University School of Medicine（浙江大学医学院附属邵逸夫医院）；Ningbo Medical Center Lihuili Hospital（宁波医疗中心李惠利医院）；The University of Hong Kong（香港大学）

本文提出SDR-Former框架，结合暹罗网络、双分辨率Transformer和自适应期相选择模块，用于多期相CT/MR肝脏病变分类，并在两个临床数据集上验证其有效性，同时公开首个多期相MR数据集。

2024-02-27cs.CVcs.LGeess.IV

多源多相位CT成像数据的共异质自适应分割：病理肝脏和病变分割的研究

Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation

PAII Inc.（PAII公司）；The University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Chang Gung Memorial Hospital（长庚纪念医院）；PingAn Technology（平安科技）

在医学成像中，在当前公开可用和完全注释的数据集上训练的器官/病理分割模型通常不能很好地表示在真实环境中遇到的异质模态、阶段、病理和临床场景。另一方面，许多现代临床中心存储了大量未标记的患者成像扫描。在这项工作中，我们提出了一种新的分割策略，共异质和自适应分割（CHASe），它只需要一个小的标记队列的单相成像数据，以适应任何未标记队列的异质多相数据与可能的新的临床场景和病理。为此，我们提出了一个通用的框架，融合了基于外观的半监督，基于掩码的对抗域自适应和伪标签。我们还介绍了合作异构培训，这是一种新的整合合作培训和异质模态学习。我们使用临床上全面且具有挑战性的多相计算机断层扫描（CT）成像研究数据集（1147例患者和4577个3D体积）评价了CHASe。与先前最先进的基线相比，CHASe可以根据相位组合，通过$4.2\% \sim 9.4\%$的范围进一步改善病理肝脏掩模Dice-Sorensen系数：在非造影CT上从$84.6\%$变为$94.0\%$。

2021-07-19cs.CVeess.IV

LiFUSE：用于非对比CT肝脏疾病分析的频域-空间统一自监督预训练

LiFUSE: Frequency-Spatial Unified Self-Supervised Pretraining for Liver Disease Analysis on Non-contrast CT

College of Biomedical Engineering, Fudan University（复旦大学生物医学工程学院）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Hupan Lab（湖畔实验室）；First Affiliated Hospital of Zhejiang University（浙江大学附属第一医院）；Shengjing Hospital of China Medical University（中国医科大学附属盛京医院）

针对非对比CT肝脏疾病分析的挑战，提出LiFUSE频域-空间统一自监督预训练方法，通过频域分支、空间分支及跨域一致性方案，在三项临床任务上优于强基线，提升了NCCT肝脏疾病分析效果。

2026-10-14cs.AIcs.CVcs.LG

使用混合深度学习-放射组学框架进行CT中肝肿瘤的精确分割

Precise Liver Tumor Segmentation in CT Using a Hybrid Deep Learning-Radiomics Framework

School of Information Science & Engineering, Shandong Normal University（信息科学与工程学院，山东师范大学）；Tajik State University of Law, Business and Politics（塔吉克国立法律、商业与政治大学）

本文提出混合深度学习-放射组学框架，用于CT中肝肿瘤的精确分割，结合注意力增强的U-Net与放射组学特征筛选，提升分割精度与稳定性。

2025-12-08cs.CRcs.CVeess.IV

应用匹配度量对肝脏病变进行分类

Classification of Hepatic Lesions using the Matching Metric

Stanford（斯坦福大学）

在本文中，我们提出了一种方法分类肝（肝）病变使用多维持续同源性，匹配度量（也称为瓶颈距离），和支持向量机。我们提出了我们的分类结果的数据集的132个病变，已概述和放射科医生注释。我们发现，拓扑特征是有用的肝脏病变的分类。我们还发现，二维持续同源性优于一维持续同源性在此应用。

2012-10-02cs.CGcs.CVmath.AT

Fed-NDIF：一种用于低计数全身PET去噪的嵌入噪声的联邦扩散模型

Fed-NDIF: A Noise-Embedded Federated Diffusion Model For Low-Count Whole-Body PET Denoising

Yale University（耶鲁大学）；Northwestern University（西北大学）；Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院）；Inselspital, Bern University Hospital, University of Bern（伯尔尼大学医院 Inselspital，伯尔尼大学）；Technical University of Munich（慕尼黑工业大学）；Yale School of Medicine（耶鲁医学院）

针对低计数PET去噪的数据稀缺与隐私问题，提出嵌入肝脏NSTD噪声的联邦扩散模型Fed-NDIF，结合FedAvg聚合与本地微调，多中心验证显示其在图像质量与病灶量化上优于现有方法。

2025-03-20cs.CVeess.IV

通过更丰富的生成对抗网络在计算机断层扫描图像中进行自由形式的肿瘤合成

Free-form tumor synthesis in computed tomography images via richer generative adversarial network

Tianjin University（天津大学）；CSIRO Data61（澳大利亚联邦科学与工业研究组织Data61）；La Trobe University（乐卓博大学）；Tianjin University of Traditional Chinese Medicine（天津中医药大学）

针对癌症的注释医学成像扫描的不足使得在精确肿瘤学中训练和验证数据饥渴的深度学习模型变得具有挑战性。我们提出了一种新的更丰富的生成对抗网络，用于计算机断层扫描（CT）图像中的自由形式3D肿瘤/病变合成。该网络由一个新的更丰富的卷积特征增强型扩张门控生成器（RicherDG）和一个混合损失函数组成。RicherDG具有扩大门控卷积层，以实现肿瘤绘画并扩大感知范围;它具有一个新的更丰富的卷积特征关联分支，以恢复多尺度卷积特征，特别是从肿瘤和周围健康组织之间的不确定边界中恢复。混合损失函数由不同范围的损失组成，旨在聚合互补信息以改善优化。我们对涵盖肝脏、肾脏肿瘤和肺结节的广泛公共CT图像数据集的合成结果进行了全面评估。定性和定量评价以及消融研究表明，与先进的肿瘤合成方法相比，合成结果有所改善。

2021-04-20cs.CVeess.IV

使用3D上下文和空间注意力改进深度病变检测

Improving Deep Lesion Detection Using 3D Contextual and Spatial Attention

NVIDIA AI Technology Center（英伟达人工智能技术中心）；Nanyang Technological University（南洋理工大学）；Monash University（莫纳什大学）

与自然目标检测相比，来自计算机断层摄影（CT）扫描的病变检测是具有挑战性的，因为两个主要原因：小的病变尺寸和小的类间变化。首先，病变通常仅占据CT图像中的小区域。这种小区域的特征由于其有限的空间特征分辨率而可能不能够提供足够的信息。其次，在CT扫描中，由于病变和非病变区域可能具有非常相似的外观，因此病变通常无法与背景区分开。为了解决这两个问题，我们需要丰富的特征表示和提高特征的区分度。因此，我们引入了双重注意力机制的三维上下文病变检测框架，包括跨切片上下文的注意力，选择性地聚合来自不同的切片通过软重采样过程的信息。此外，我们提出了片内空间注意力集中在最突出的区域的特征学习。我们的方法可以很容易地进行端到端训练，而不会在基础检测网络上增加大量开销。我们使用DeepLesion数据集并训练一个通用的病变检测器来检测各种病变，如肝肿瘤、肺结节等。结果表明，我们的模型可以显著提高基线病变检测器（具有3D上下文信息）的结果，但使用的切片要少得多。

2019-07-09cs.CV