使用多尺度特征提取的高效、高性能胰腺分割

使用 Auto3DSeg 进行基于 MRI 的轻量级胰腺癌自动分割

Lightweight MRI-Based Automated Segmentation of Pancreatic Cancer with Auto3DSeg

Duke University（杜克大学）；Duke University Medical Center（杜克大学医学中心）

本文针对小样本多序列 MRI 胰腺肿瘤分割难题，采用 Auto3DSeg 中的 SegResNet、ROI 聚焦、5 折交叉验证与 STAPLE 集成，在 PANTHER 两项任务中验证了自动勾画潜力及数据标准化需求。

2025-08-28cs.CV

用于诊断性和治疗性MRI中胰腺肿瘤分割的多阶段微调与集成策略

A Multi-Stage Fine-Tuning and Ensembling Strategy for Pancreatic Tumor Segmentation in Diagnostic and Therapeutic MRI

German Cancer Research Center (DKFZ) Heidelberg（德国癌症研究中心（DKFZ）海德堡）；Faculty of Mathematics and Computer Science（数学与计算机科学学院）；Heidelberg University（海德堡大学）；Helmholtz Imaging, DKFZ（海德堡影像中心，DKFZ）；Pattern Analysis and Learning Group（模式分析与学习小组）；Department of Radiation Oncology（放射肿瘤科）；Heidelberg University Hospital（海德堡大学医院）；International School of Medicine（国际医学院）；Istanbul Medipol University（伊斯坦布尔梅迪波尔大学）

本文提出基于nnU-Net的多阶段级联预训练与指标感知异构专家集成策略，用于PANTHER挑战赛中诊断和治疗MRI的PDAC分割。

2025-08-29cs.CV

利用术前计算机断层扫描自动预测术后胰瘘

Automated Prediction of Postoperative Pancreatic Fistula Using Preoperative Computed Tomography

Department of Surgery, Mayo Clinic, Rochester, MN, USA（梅奥诊所外科部，罗切斯特，明尼苏达州，美国）；Department of Surgery, University of Auckland, Auckland, NZ（奥克兰大学外科部，奥克兰，新西兰）；Kern Center for the Science of Health Care Delivery, Mayo Clinic, Rochester, MN, USA（健康照护科学中心，梅奥诊所，罗切斯特，明尼苏达州，美国）；Department of Artificial Intelligence（人工智能部）

提出一种从胰腺分割到分类的端到端深度学习流程，利用术前CT扫描自动预测术后胰瘘风险，为临床决策提供工具和方法基准。

2026-05-29cs.CVcs.LGq-bio.QM

学习诱导注意指导对部分监督胰腺导管腺癌预测的研究

Learning Inductive Attention Guidance for Partially Supervised Pancreatic Ductal Adenocarcinoma Prediction

East China Normal University（华东师范大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Shanghai Jiao Tong University（上海交通大学）；Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）

胰腺导管腺癌（PDAC）是美国癌症死亡的第三大常见原因。通过深度学习从医学图像中预测PDAC（包括分类和分割）等肿瘤正在成为一种发展趋势，但通常需要大量的注释数据进行训练，这是非常劳动密集型和耗时的。在本文中，我们考虑一个部分监督设置，廉价的图像级注释提供所有的训练数据，和昂贵的每体素注释只适用于其中的一个子集。我们提出了一个诱导注意力指导网络（IAG-Net），共同学习一个全球图像级分类器正常/PDAC分类和局部体素级分类器的半监督PDAC分割。我们通过多实例学习（MIL）来实例化全局和局部分类器，其中注意力引导是桥接它们的关键：对于基于全局MIL的正常/PDAC分类，注意力作为MIL池化期间每个实例（体素）的权重，这消除了来自背景的分心;对于基于局部MIL的半监督PDAC分割，注意力引导是归纳的，它不仅为训练数据提供袋级伪标签，而无需针对MIL训练的每体素注释，而且还充当实例级分类器的代理。实验结果表明，我们的IAG-Net提高PDAC分割精度超过5%，与国家的最先进的。

2021-05-31cs.CV

CT扫描中管状结构分割的深距离变换

Deep Distance Transform for Tubular Structure Segmentation in CT Scans

Johns Hopkins University（约翰斯·霍普金斯大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）；Tongji University（同济大学）；The Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）

医学图像中的管状结构分割，例如，在CT扫描中分割血管，是使用计算机帮助筛查相关疾病早期阶段的重要步骤。但是由于CT图像中存在对比度差、噪声和背景复杂等问题，CT图像中管状结构的自动分割是一个具有挑战性的问题。管状结构通常具有圆柱状形状，其可以通过其骨架和横截面半径（尺度）来很好地表示。受此启发，我们提出了一种几何感知的管状结构分割方法，深度距离变换（DDT），它结合了经典距离变换的直观性和现代深度分割网络。DDT首先学习多任务网络来预测管状结构的分割掩模和距离图。图中的每个值表示从每个管状结构体素到管状结构表面的距离。然后，通过利用从距离图重构的形状先验来细化分割掩模。我们将我们的DDT应用于六个医学图像数据集。实验表明：（1）DDT可以显著提高管状结构的分割性能（例如，对于胰管分割通过DSC测量的超过13%的改进），以及（2）DDT另外提供了对于管状结构的几何测量，这对于临床诊断是重要的（例如，胰管的横截面比例可以是胰腺癌的指标）。

2019-12-06cs.CV

在CT图像中使用放射组学和深度学习特征融合改善可切除胰腺导管腺癌的预后性能

Improving Prognostic Performance in Resectable Pancreatic Ductal Adenocarcinoma using Radiomics and Deep Learning Features Fusion in CT Images

University of Toronto（多伦多大学）；Lunenfeld-Tanenbaum Research Institute, Sinai Health System（西奈卫生系统卢嫩菲尔德-塔南鲍姆研究所）；McMaster University（麦克马斯特大学）；Hamilton Health Sciences（汉密尔顿健康科学中心）；Sunnybrook Health Sciences Centre（桑尼布鲁克健康科学中心）；Sunnybrook Research Institute（桑尼布鲁克研究所）

放射组学作为一种用于定量图像特征提取和分析的分析管道，在过去的几年中发展迅速。放射组学的最新研究旨在探讨肿瘤影像学特征与临床结局之间的关系。开源放射组学特征库能够提取和分析数千个预定义的特征。另一方面，深度学习的最新进展在定量医学成像领域显示出巨大的潜力，提出了一个研究问题，即除了深度学习特征之外，预定义的放射组学特征是否具有预测信息。在这项研究中，我们提出了一种特征融合方法，并研究了深度学习和预定义放射组学特征的组合特征库是否可以提高识别性能。使用来自可切除胰腺癌（PDAC）患者的CT图像，比较常见特征缩减和融合方法的预后性能以及所提出的基于风险评分的特征融合方法的总生存率。结果表明，所提出的特征融合方法显著改善了可切除PDAC队列中总生存期的预后性能，与单独的预定义放射组学特征相比，ROC曲线下面积提高了51%，与单独的深度学习特征相比提高了16%，与现有的深度学习和预定义放射组学特征组合的特征融合和减少方法相比提高了32%。

2019-07-10cs.CVeess.IVq-bio.QM

基于密集连接卷积网络的胰腺囊肿CT扫描鉴别诊断

Differential Diagnosis for Pancreatic Cysts in CT Scans Using Densely-Connected Convolutional Networks

Technical University of Munich（慕尼黑工业大学）；Klinikum Rechts der Isar, Technical University of Munich（慕尼黑工业大学 rechts der Isar 医院）；Fudan University（复旦大学）

胰腺导管腺癌（PDAC）的致命性要求对胰腺囊肿进行早期鉴别诊断，在高达16%的正常受试者中发现胰腺囊肿，其中一些可能发展为PDAC。以前的计算机辅助发展已经取得了一定的准确性，在CT分割囊性病变的分类。然而，胰腺囊肿在大小和形状上有很大的变化，并且它们的精确分割仍然是相当具有挑战性的，这限制了用于鉴别诊断的CT图像的计算机辅助解释。我们提出了一个计算机辅助框架，用于胰腺囊肿的早期鉴别诊断，而无需使用密集连接的卷积网络（Dense-Net）对病变进行预分割。Dense-Net从整个异常胰腺中学习高级特征，并在医学成像外观与不同病理类型的胰腺囊肿之间建立映射。为了增强临床应用性，我们在框架中集成了显着图，以帮助医生理解深度学习方法的决策。对206例经病理证实的4种胰腺囊肿亚型患者的队列进行的测试，总体准确率为72.8%，显著高于基线准确率48.1%，这有力地支持了我们开发的方法的临床潜力。

2018-06-19cs.CV

Cyst-X：用于胰腺囊性肿瘤恶性风险分层的多中心MRI基准与联邦学习框架

Cyst-X: A Multicenter MRI Benchmark for Pancreatic Cyst Risk Stratification and Cross-Institutional AI

Machine & Hybrid Intelligence Lab, Department of Radiology, Northwestern University（机器与混合智能实验室，放射科，西北大学）；Istanbul Faculty of Medicine, Istanbul University（伊斯坦布尔大学医学学院）；Department of Biomedical Engineering and Radiology, University of Wisconsin-Madison（生物医学工程与放射科，威斯康星大学麦迪逊分校）；Department of Preventive Medicine, Northwestern University（预防医学系，西北大学）；Division of Gastroenterology and Hepatology, New York University（消化内科与肝病科，纽约大学）；Department of Electrical, Electronic and Computer Engineering, University of Catania（电气、电子和计算机工程系，卡塔尼亚大学）；NVIDIA；Department of Radiology, Columbia University（放射科，哥伦比亚大学）；Department of Radiology and Nuclear Medicine, Erasmus Medical Center（放射科与核医学科，埃因霍温医学院）；Department of Gastroenterology and Hepatology, Erasmus Medical Center（消化内科与肝病科，埃因霍温医学院）；Department of Radiology, New York University（放射科，纽约大学）；Division of Gastroenterology and Hepatology, Mayo Clinic Florida（消化内科与肝病科，迈阿密诊所佛罗里达分部）；Department of Gastroenterology and Hepatology, Northwestern University（消化内科与肝病科，西北大学）

提出Cyst-X，一个多中心MRI基准和联邦学习框架，用于IPMN恶性风险分层，结合PanSegNet分割器和3D DenseNet-121分类器，在内部交叉验证中达到0.85的AUC，性能与放射科医生相当。

2026-11-04cs.CVeess.IV

全自动深度学习框架用于计算机断层扫描上的胰腺导管腺癌检测

Fully Automatic Deep Learning Framework for Pancreatic Ductal Adenocarcinoma Detection on Computed Tomography

Radboud University Medical Center（拉德堡德大学医学中心）；Radboud Institute for Health Sciences（拉德堡德健康科学研究所）

早期发现可改善胰腺导管腺癌（PDAC）的预后，但具有挑战性，因为病变通常较小，并且在对比增强计算机断层扫描（CE-CT）上定义不清。深度学习可以促进PDAC诊断，但目前的模型仍然无法识别小（<2cm）病变。在这项研究中，使用最先进的深度学习模型来开发PDAC检测的自动框架，重点关注小病变。此外，还研究了整合周围解剖结构的影响。使用来自119名经病理证实的PDAC患者的队列和123名未患PDAC的患者的队列的CE-CT扫描来训练nnUnet以进行自动病变检测和分割（nnUnet_T）。训练另外两个nnUnet以研究解剖结构整合的影响：（1）分割胰腺和肿瘤（nnUnet_TP），（2）分割胰腺、肿瘤和多个周围解剖结构（nnUnet_MS）。一个外部的，公开的测试集被用来比较三个网络的性能。nnUnet_MS实现了最佳性能，整个测试集的接收器操作特征曲线下面积为0.91，<2cm的肿瘤为0.88，这表明最先进的深度学习可以检测到小PDAC并受益于解剖信息。

2021-12-02cs.CVeess.IVq-bio.QM

基于元信息感知的双通道Transformer在多时相CT中对胰腺多种病变的鉴别诊断

Meta-information-aware Dual-path Transformer for Differential Diagnosis of Multi-type Pancreatic Lesions in Multi-phase CT

DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Yale University（耶鲁大学）

胰腺癌是癌症相关死亡的主要原因之一。准确检测、分割和鉴别诊断胰腺病变的完整分类，即，正常、七种主要类型的病变以及其他病变，对于帮助患者管理和治疗的临床决策至关重要。然而，现有的工作集中在非常特定的病变类型（PDAC）或组的分割和分类。此外，没有以前的工作考虑使用病变患病率相关的非成像患者信息，以协助鉴别诊断。为此，我们开发了一种元信息感知的双路径Transformer，并利用胰腺病变完整分类的分类和分割的可行性。具体而言，所提出的方法由基于CNN的分割路径（S路径）和基于变换器的分类路径（C路径）组成。S-路径的重点是使用基于UNet的网络通过语义分割进行初始特征提取。C路径利用提取的特征和元信息进行患者级分类，基于双路径Transformer块的堆栈，其增强了全局上下文信息的建模。收集了3，096例患者的大规模多期CT数据集，这些患者具有病理学证实的胰腺病变类别标签、放射科医生对病变的体素手动注释和患者元信息，用于训练和评价。我们的研究结果表明，我们的方法可以实现胰腺病变的完整分类的准确分类和分割，接近放射科医生报告的准确性，并显着优于以前的基线。结果还表明，添加公共元信息，即，性别和年龄，可以提高模型的性能，从而证明元信息对帮助胰腺疾病诊断的重要性。

2023-03-02cs.CVcs.LGeess.IV

胰腺神经内分泌肿瘤筛选的分割分类

Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors

The Johns Hopkins University（约翰斯·霍普金斯大学）；The Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）

这项工作提出了全面的结果，在早期发现胰腺神经内分泌肿瘤（PNDT），一组内分泌肿瘤发生在胰腺，这是胰腺癌的第二种常见类型，通过检查腹部CT扫描。据我们所知，这个任务以前没有被研究过作为一个计算任务。为了向放射科医生提供肿瘤位置，我们采用分割框架来通过检查是否至少有足够数量的体素被分割为肿瘤来对CT体积进行分类。为了定量分析我们的方法，我们收集并逐体素标记一个新的腹部CT数据集，该数据集包含$376$病例，每个病例都具有动脉和静脉相，其中$228$病例被诊断为PNNI，而其余$148$病例是正常的，这是目前我们所知的最大的PNNI数据集。为了将放射科医师的丰富知识纳入我们的框架，我们也对扩张的胰管进行了注释，这被认为是胰腺癌的高风险标志。定量而言，我们的方法优于最先进的分割网络，并在$81.08\%$的特异性下实现了$89.47\%$的灵敏度，这表明了通过早期肿瘤检测实现与癌症诊断相关的临床影响的潜在方向。

2020-04-04cs.CVeess.IV

基于超对网络的胰腺导管腺癌多期分割

Hyper-Pairing Network for Multi-Phase Pancreatic Ductal Adenocarcinoma Segmentation

The Johns Hopkins University（约翰斯·霍普金斯大学）；Huazhong University of Science and Technology（华中科技大学）；The Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）

胰腺导管腺癌（PDAC）是最致命的癌症之一，总体五年生存率为8%。由于PDAC的细微纹理变化，胰腺双期成像被推荐用于更好地诊断胰腺疾病。在这项研究中，我们的目标是通过整合多相位信息（即，动脉期和静脉期）。为此，我们提出了超配对网络（HPN），这是一种3D全卷积神经网络，可以有效地整合来自不同阶段的信息。所提出的方法包括一个双路径网络，其中两个并行流与超连接互连，以进行密集的信息交换。此外，添加配对损失以鼓励不同阶段的高级特征表示之间的共性。与使用单相数据的现有技术相比，HPN报告了DSC方面高达7.73%（从56.21%到63.94%）的显著改进。

2019-09-03cs.CVeess.IV

使用去噪扩散模型在CT图像中将胰腺肿瘤分割作为异常检测

Pancreatic Tumor Segmentation as Anomaly Detection in CT Images Using Denoising Diffusion Models

School of Electrical and Computer Engineering, University of Oklahoma（俄克拉荷马大学电气与计算机工程学院）；University of Oklahoma Health Sciences Center（俄克拉荷马大学健康科学中心）；School of Computer Science, University of Oklahoma（俄克拉荷马大学计算机科学学院）

针对胰腺肿瘤早期检测的挑战，提出一种基于去噪扩散模型的弱监督异常检测方法，通过添加和去除噪声的迭代过程及分类器引导生成异常图，无需复杂训练和分割掩码，为医学图像分割提供了新方案。

2024-06-04cs.AIcs.CVcs.LG

分割能力图：解释医学图像分割的深度特征

Segmentation Ability Map: Interpret deep features for medical image segmentation

Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）；Massachusetts General Hospital（麻省总医院）

深度卷积神经网络（CNN）已广泛用于医学图像分割。在大多数研究中，仅利用输出层来计算最终的分割结果，并且深度学习特征的隐藏表示尚未得到很好的理解。在本文中，我们提出了一种原型分割（ProtoSeg）方法来计算基于深度特征的二进制分割图。我们通过计算特征分割图和地面实况之间的Dice来衡量特征的分割能力，称为分割能力得分（简称SA得分）。相应的SA得分可以量化不同层和单元中深度特征的分割能力，以了解用于分割的深度神经网络。此外，我们的方法可以提供一个平均SA分数，它可以给出一个性能估计的输出测试图像没有地面真理。最后，我们使用所提出的ProtoSeg方法直接在输入图像上计算分割图，以进一步了解每个输入图像的分割能力。在脑MRI中的肿瘤分割、皮肤图像中的病变、CT图像中的COVID相关异常、腹部MRI中的前列腺分割和CT图像中的胰腺肿块分割上呈现结果。我们的方法可以为医学图像分割的解释和可解释的AI系统提供新的见解。我们的代码可从以下网站获得：\url{https://github.com/shengfly/ProtoSeg}。

2022-12-19cs.CVeess.IV

ULS23挑战赛：面向计算机断层扫描图像中3D通用病灶分割的基线模型与基准数据集

The ULS23 Challenge: a Baseline Model and Benchmark Dataset for 3D Universal Lesion Segmentation in Computed Tomography

Radboud University Medical Center（拉德堡德大学医学中心）；Jeroen Bosch Hospital（杰伦博世医院）；University Medical Center Groningen（格罗宁根大学医学中心）；Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学梅维斯研究所）

针对现有病灶分割基准多针对特定器官、缺乏通用性的问题，研究团队推出包含38693个训练病灶、775个测试病灶的ULS23 3D通用CT病灶分割基准，并发布取得0.703±0.240平均Dice系数的半监督基线模型，推动相关技术发展。

2024-06-21cs.CVcs.LGeess.IV

基于深度学习的MRI扫描儿童胰腺分割

Pediatric Pancreas Segmentation from MRI Scans with Deep Learning

Northwestern University（西北大学）；Gazi University Faculty of Medicine（加齐大学医学院）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Washington University School of Medicine in St. Louis（圣路易斯华盛顿大学医学院）；University of Iowa, Carver College of Medicine（爱荷华大学卡弗医学院）

本研究提出并验证了PanSegNet深度学习算法，用于在儿童MRI扫描中分割胰腺，在健康和胰腺炎状态下均达到专家级性能，并公开了算法与标注数据集以促进该领域研究。

2025-06-18cs.CVcs.LG

基于分割的眼底图像信息提取与融合在青光眼检测中的应用

Segmentation-based Information Extraction and Amalgamation in Fundus Images for Glaucoma Detection

Renmin University of China（中国人民大学）；Visionary Intelligence Ltd.（远景智能有限公司）

青光眼是一种严重的致盲性疾病，迫切需要自动检测方法来缓解眼科医生的短缺。许多工作已经提出采用深度学习方法，这些方法涉及用于青光眼检测的视盘和视杯的分割，其中分割过程通常仅被视为上游子任务。眼底图像和分割掩模在青光眼评估中的联合决策方面的关系很少被探索。我们提出了一种新的基于分割的信息提取和融合方法的青光眼检测的任务，它利用了分割掩模的鲁棒性，而不忽视原始眼底图像中的丰富信息。在私人和公共数据集上的实验结果表明，我们提出的方法优于所有单独利用眼底图像或掩模的模型。

2022-09-23cs.CVeess.IV

3D图形解剖学-胰腺肿块分割、诊断和定量患者管理的几何集成网络

3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass Segmentation, Diagnosis, and Quantitative Patient Management

PAII Inc.（PAII公司）；Stony Brook University（石溪大学）；Harvard University（哈佛大学）；Ping An Technology（平安科技）；Changhai Hospital（长海医院）

胰腺疾病分类包括10种类型的肿块（肿瘤或囊肿）[20，8]。以前的工作集中在开发分割或分类方法，只为某些质量类型。所有肿块类型的鉴别诊断在临床上是非常需要的[20]，但尚未使用自动图像理解方法进行研究。我们探讨了利用多期CT成像区分胰腺导管腺癌（PDAC）与其他9种非PDAC肿块的可行性。图像外观和3D器官-质量几何关系都是至关重要的。我们提出了一个整体的分割网格分类网络（SMCN），提供病人级的诊断，充分利用的几何形状和位置信息，这是通过结合解剖结构和语义检测分割网络。SMCN学习胰腺和肿块分割任务，并通过在原始分割掩模上逐渐变形胰腺原型（即，掩模到网格）。开发了一种新的基于图的残差卷积网络（Graph-ResNet），其节点融合了从分割网络中提取的网格模型和特征向量的信息，以产生患者级别的差异分类结果。对661名患者的CT扫描（每个患者五个阶段）进行的广泛实验表明，与强基线方法nnUNet（例如，对于非PDAC，Dice：0.611 vs. 0.478;检出率：89% vs. 70%），在区分PDAC和非PDAC方面达到与放射科专家相似的灵敏度和特异性（即，94%和90%），并获得与多模态测试相当的结果[20]，该测试结合了临床、成像和分子测试，用于患者的临床管理。

2020-12-08cs.CVeess.IV

基于分割的肿瘤-血管受累评估用于胰腺导管腺癌手术可切除性预测

Segmentation-based Assessment of Tumor-Vessel Involvement for Surgical Resectability Prediction of Pancreatic Ductal Adenocarcinoma

Eindhoven University of Technology（埃因霍温理工大学）；Catharina Ziekenhuis（卡塔里娜医院）；Philips（飞利浦）

该研究提出基于nnU-Net等分割模型的CT影像工作流程，自动量化PDAC肿瘤与血管接触及受累程度，并用不确定性辅助手术可切除性判断。

2023-10-01cs.CVeess.IV

报告监督

Report Supervision

Johns Hopkins University（约翰斯·霍普金斯大学）；University Hospital Basel（巴塞尔大学医院）；Stanford University（斯坦福大学）；University of California, San Francisco（加利福尼亚大学旧金山分校）；Italian Institute of Technology（意大利技术研究院）；University of Bologna（博洛尼亚大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Johns Hopkins Medicine（约翰斯·霍普金斯医疗集团）

本研究提出报告监督（R-Super）框架，利用大量放射学报告补充稀缺的肿瘤掩码训练数据，在肾脏和胰腺肿瘤分割任务上显著提升了AI的检测与分割性能。

2026-08-31cs.CV

用于快速分割与关键尺寸测量及表征的深度学习，赋能AR/VR设计与制造

Deep learning for fast segmentation and critical dimension metrology & characterization enabling AR/VR design and fabrication

Meta Reality Labs（元宇宙现实实验室）

本研究通过微调预训练的SAM模型并利用LoRA方法，实现了对AR/VR组件显微图像中ROI的快速准确分割，并结合CD提取模型精确提取关键尺寸，显著提升了工业分析与制造优化的效率。

2024-09-20cs.CVcs.LGeess.IV

在对比增强心脏MRI上进行解剖学信息深度学习，用于疤痕分割和临床特征提取

Anatomically-Informed Deep Learning on Contrast-Enhanced Cardiac MRI for Scar Segmentation and Clinical Feature Extraction

Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）；Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins Hospital（约翰斯·霍普金斯医院）

在心脏磁共振（CMR）成像中使用对比增强（LGE）可视化心脏中疾病诱导的瘢痕形成和纤维化对于表征疾病进展和量化心律失常的病理生理学底物至关重要。然而，LGE-CMR的分割和瘢痕/纤维化识别是一个密集的手动过程，易于产生较大的观察者间差异。在这里，我们提出了一种新的全自动解剖学深度学习解决方案，用于左心室（LV）和瘢痕/纤维化分割以及LGE-CMR的临床特征提取。该技术涉及三个级联卷积神经网络，可从原始LGE-CMR图像中分割心肌和瘢痕/纤维化，并将这些分割限制在解剖学指南内，从而促进无缝推导具有临床意义的参数。除了可用的LGE-CMR图像外，训练还使用了“LGE样”合成增强电影扫描。结果显示，在分割（$96\%$和$75\%$用于LV和瘢痕分割的平衡准确性）、临床特征（平均瘢痕-LV壁体积分数的$2\%$差异）和解剖保真度方面，与经过培训的专家的结果非常一致。我们的分割技术可扩展到其他计算机视觉医疗应用，以及需要遵守预测输出准则的问题。

2021-01-08cs.CVeess.IV

使用深度学习进行大规模多中心胰腺 CT 与 MRI 分割

Large-Scale Multi-Center CT and MRI Segmentation of Pancreas with Deep Learning

Northwestern University（西北大学）；Istanbul University Faculty of Medicine（伊斯坦布尔大学医学院）

该研究构建多中心胰腺 CT 与 MRI 数据集，并提出融合 nnUNet、Transformer 与线性注意力的 PanSegNet，在跨模态、跨中心分割和体积预测中取得优异表现。

2024-10-25cs.CVeess.IV

使用自蒸馏掩模图像Transformer（SMIT）的自监督3D解剖分割

Self-supervised 3D anatomy segmentation using self-distilled masked image transformer (SMIT)

Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）

视觉转换器能够更有效地对长距离环境进行建模，在包括分割在内的几项计算机视觉和医学图像分析任务中表现出令人印象深刻的准确性。然而，这些方法需要大量的标记数据集进行训练，这是很难获得的医学图像分析。自监督学习（SSL）已经在使用卷积网络的医学图像分割中取得了成功。在这项工作中，我们开发了一个\underline{s}自蒸馏学习与\underline{m}问\underline{i}图像建模方法执行SSL的视觉\underline{t} transformers（SMIT）应用于三维多器官分割的CT和MRI。我们的贡献是在被掩蔽的补丁中进行密集的像素回归，称为掩蔽图像预测，我们将其与掩蔽补丁令牌蒸馏相结合，作为预训练视觉转换器的借口任务。我们表明，我们的方法更准确，比其他借口任务需要更少的微调数据集。与通常使用来自疾病部位的图像集和对应于目标任务的成像模式的现有医学图像方法不同，我们使用了3，643次CT扫描（602，708张图像）源自头颈部、肺部，和肾癌，以及COVID-19的前-训练并将其应用于来自MRI胰腺癌患者的腹部器官分割以及来自CT的公开可用的13种不同腹部器官分割。我们的方法显示出明显的准确性提高（MRI的平均DSC为0.875，CT的平均DSC为0.878），减少了对常用借口任务的微调数据集的要求。对多种当前SSL方法进行了广泛的比较。代码将在接受出版后提供。

2022-05-20cs.CVeess.IV

PanTS：胰腺肿瘤分割数据集

PanTS: The Pancreatic Tumor Segmentation Dataset

Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系）；Department of Pharmacy and Biotechnology, University of Bologna（博洛尼亚大学药学与生物技术系）；Center for Biomolecular Nanotechnologies, Istituto Italiano di Tecnologia（意大利技术研究院生物分子纳米技术中心）；Faculty of Mathematics and Computer Science, Jagiellonian University（杰齐兰大学数学与计算机科学学院）；Department of Cardiology and Internal Medicine, University of Warmia and Mazury（马尔堡大学心内科与内科系）；Diagnostic and Treatment Center Gammed（Gammed诊断与治疗中心）；Department of Bioengineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校生物工程系）；Department of General Surgery, Peking University Third Hospital（北京大学第三医院普外科）；Department of Radiology & Biomedical Imaging, University of California, San Francisco（加州大学旧金山分校放射科与生物医学成像系）；Department of Bioengineering, University of California, Berkeley（加州大学伯克利分校生物工程系）；Department of Radiation Oncology, Johns Hopkins School of Medicine（约翰霍普金斯医学院放射肿瘤学系）；NVIDIA Code, Models & Data（NVIDIA代码、模型与数据）

PanTS 通过构建包含 36,390 例多中心 CT 扫描和超 99 万个体素级标注的大规模数据集，显著提升胰腺肿瘤检测、定位与分割性能，为胰腺 CT 分析提供新基准。

2025-07-02cs.CVeess.IV

用于fMRI研究中脑部提取的Segment Anything Model (SAM)

Segment anything model (SAM) for brain extraction in fMRI studies

University of Maryland（马里兰大学）；George Washington University（乔治华盛顿大学）

针对fMRI脑部提取中手动验证耗时低效的问题，本研究使用Meta发布的SAM模型自动去除颅骨伪影，实验证明无需训练即可实现高效的神经影像脑部分割。

2024-01-09cs.CVeess.IV

深度局部注意网络多期CT成像预测胰腺癌术前淋巴结转移

A deep local attention network for pre-operative lymph node metastasis prediction in pancreatic cancer via multiphase CT imaging

Ping An Technology（平安科技）；Changhai Hospital（长海医院）；PAII Inc.（PAII公司）；Shengjing Hospital of China Medical University（中国医科大学附属盛京医院）；Tianjin Medical University Cancer Institute and Hospital（天津医科大学肿瘤医院）

淋巴结（LN）转移状态是可切除胰腺导管腺癌（PDAC）患者或一般任何类型实体恶性肿瘤患者最关键的预后和癌症分期因素之一。术前预测LN转移的非侵入性CT成像是非常需要的，因为它可能直接用于指导以下新辅助治疗的决定和手术计划。大多数的研究仅从CT影像上捕捉肿瘤的特征来间接推断淋巴结转移，很少有研究直接利用淋巴结转移的CT影像信息。据我们所知，这是第一项提出全自动LN分割和识别网络以直接促进LN转移状态预测任务的工作。然而，LN分割/检测是非常具有挑战性的，因为LN可以容易地与其他硬阴性解剖结构（例如，血管）的放射图像。我们通过从相关器官和血管生成指导注意图来帮助分割和推断LN状态，从而探索胰腺LN位置的解剖空间背景先验。因此，LN分割被促使集中在解剖学上相邻或相对于特定器官和血管合理的区域上。转移的LN识别网络被训练为通过将分割网络重新用作预训练的骨干并填充新的分类头来将分割的LN实例分类为阳性或阴性。更重要的是，我们开发了一个LN转移状态预测网络，该网络结合了LN分割/识别的患者聚集结果和从肿瘤区域提取的深度成像特征。对749例PDAC患者的发现数据集进行了广泛的定量嵌套五重交叉验证。

2023-01-04cs.CVeess.IV

血管分割中多尺度特征提取与交互的再思考

Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation

Deepwise AI Lab（深度智耀人工智能实验室）；Northwestern Polytechnical University（西北工业大学）；Peking University（北京大学）

分析血管的形态特征在许多心血管和眼科疾病的计算机辅助诊断中起着至关重要的作用。虽然被广泛研究，血管，特别是薄血管和毛细血管的分割，仍然具有挑战性，主要是由于缺乏一个有效的局部和全局特征之间的相互作用。在本文中，我们提出了一种称为PC-Net的新型深度学习模型，分别在2D眼底图像和3D计算机断层扫描血管造影（CTA）扫描中分割视网膜血管和主要动脉。在PC-Net中，金字塔挤压和激励（PSE）模块将空间信息引入每个卷积块，提高其提取更有效的多尺度特征的能力，而粗到细（CF）模块取代传统的解码器，以增强薄血管的细节并再次处理难以分类的像素。我们评估了我们的PC网络上的数字视网膜图像血管提取（DRIVE）数据库和内部3D主要动脉（3 MA）数据库对几个最近的方法。我们的结果不仅证明了所提出的PSE模块和CF模块的有效性，而且还表明我们提出的PC-Net在两个数据库上分别在视网膜血管（AUC：98.31%）和主要动脉（AUC：98.35%）的分割方面具有新的技术水平。

2020-10-09cs.CVeess.IV

利用OCT扫描实现眼后段的自动分割和提取

Automated segmentation and extraction of posterior eye segment using OCT scans

School of Automation Science and Electrical Engineering, Beihang University (BUAA)（北京航空航天大学自动化科学与电气工程学院）；Khalifa University of Science & Technology（哈利法科技大学）；School of Computer and Communication Engineering, University of Science & Technology Beijing（北京科技大学计算机与通信工程学院）；School of Electrical Engineering and Intelligentization, Dongguan University of Technology（东莞理工学院电气工程与智能化学院）

本文提出了一种使用多供应商光学相干断层扫描（OCT）扫描的人眼后段（包括玻璃体、视网膜、脉络膜和巩膜室）的自动分割和提取方法。所提出的方法分为两个阶段。首先应用自适应阈值技术提取视网膜色素上皮（RPE）层，以识别视网膜脉络膜连接。然后，它利用结构张量引导的方法来提取内界膜（ILM）和脉络膜基质（CS）层，在候选OCT扫描中定位玻璃体-视网膜和脉络膜-巩膜交界处。此外，这三个接合边界用于针对健康和患病眼睛OCT扫描两者有效地进行后眼区室化。在1000次OCT扫描中对所提出的框架进行了评估，其中它获得了平均交叉联合（IoU）和平均Dice相似系数（DSC）得分分别为0.874和0.930。

2021-10-18cs.CVeess.IV

基于领域特定网络设计和递归神经上下文学习的CT和MRI图像胰腺分割

Pancreas Segmentation in CT and MRI Images via Domain Specific Network Designing and Recurrent Neural Contextual Learning

University of Florida（佛罗里达大学）；Nvidia Corporation（英伟达公司）

放射学图像中的自动胰腺分割，例如，计算机辅助筛选、诊断和定量评估经常需要计算机断层扫描（CT）和磁共振成像（MRI）。然而，胰腺是一个具有挑战性的腹部器官分割，由于高患者间的解剖变异性的形状和体积度量。最近，卷积神经网络（CNN）在胰腺的准确分割方面表现出了良好的性能。然而，基于CNN的方法往往遭受分割不连续的原因，如噪声图像质量和模糊的胰腺边界。从这一点上，我们建议引入递归神经网络（RNN）来解决相邻图像切片之间切片间胰腺分割的空间非平滑性问题。为了推断初始分割，我们首先训练一个二维CNN子网络，在那里我们通过深度监督和多尺度特征图聚合来修改其网络架构，以便它可以用小规模的训练数据从头开始训练，并且表现出比转移模型更优越的性能。此后，连续的CNN输出由另一个RNN子网络处理，该RNN子网络细化分割形状的一致性。更具体地说，RNN子网络由自上而下和自下而上两个方向的卷积长短期记忆（CLSTM）单元组成，其通过整合其相邻切片的预测来正则化图像的分割。我们对堆叠的CNN-RNN模型进行端到端的训练，并对CT和MRI图像进行定量评估。

2018-03-30cs.CV

脑肿瘤ROI提取的全局扰动优化算法

Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models

The Hospital for Sick Children（病童医院）；University of Toronto（多伦多大学）；Vector Institute（矢量研究所）

深度学习技术极大地帮助了计算机辅助诊断系统。然而，与其他领域不同，在医学成像中，由于手动注释和隐私法规的高成本，获取大型细粒度注释数据集（如3D肿瘤分割）具有挑战性。这引起了弱监督方法的兴趣，以利用弱标记数据进行肿瘤分割。在这项工作中，我们提出了一个弱监督的方法来获得感兴趣的区域使用二进制类标签。此外，我们提出了一种新的目标函数训练的生成器模型的基础上预训练的二进制分类模型。最后，我们将我们的方法应用于MRI中的脑肿瘤分割问题。

2022-11-09cs.CVeess.IV

统一CT和MRI胰腺分割用于标签高效跨模态亚区迁移

Unified CT and MRI Pancreas Segmentation for Label-Efficient Cross-Modality Subregion Transfer

Northwestern University（西北大学）；Mayo Clinic Florida（梅奥诊所佛罗里达分院）

提出统一3D胰腺分割框架，利用域对抗学习对齐CT和MRI特征，实现跨模态分割及标签高效亚区迁移，全胰腺Dice达87.31%，亚区分割在MRI和CT上分别达80.53%和83.05%。

2026-09-14cs.AIcs.CV

使用低对比度和高形状变异性MR数据的有效3D肱骨和肩胛骨提取

Effective 3D Humerus and Scapula Extraction using Low-contrast and High-shape-variability MR Data

Department of Computer Science, Rutgers University（罗格斯大学计算机科学系）；Department of Industrial and Systems Engineering, Rutgers University（罗格斯大学工业与系统工程系）；Department of Orthopaedics, New Jersey Medical School, Rutgers University（罗格斯大学新泽西医学院骨科系）

对于最初的肩关节术前诊断，从医学图像获得三维（3D）骨掩模是必要的，例如，磁共振（MR）。然而，获得高分辨率和高密度的医学扫描既昂贵又耗时。此外，每次3D扫描的成像参数可能会不时变化，从而增加图像之间的差异。因此，考虑低分辨率数据上的骨提取可能会影响成像对比度并使分割工作变得困难，这是实际的。在本文中，我们提出了一个联合分割的肱骨和肩胛骨的一个小的数据集与低对比度和高形状变化的三维MR图像。所提出的网络具有深度端到端架构以获得初始3D骨骼掩模。由于现有的稀缺和不准确的人类标记的地面真理，我们设计了一个自我增强的学习策略，以提高性能。通过与非增强分割和经典的多图谱联合标记融合方法的比较，该方法获得了更好的分割效果。

2019-02-22cs.CVcs.LG

一种用于医学成像中血管提取的多步分割算法

A multistep segmentation algorithm for vessel extraction in medical imaging

Azarbaijan Shahid Madani University（阿塞拜疆沙希德马达尼大学）

针对医学图像中狭窄、不清晰及断裂血管的提取问题，提出融合 Curvelet 紧框架、SURE 阈值与 Hessian 特征向量的迭代多步分割算法，并验证其有效性。

2025-06-06cs.CVcs.NAmath.NA

评估自监督超声心动图表示在不同下游提取策略下用于左心室分割和射血分数估计的表现

Evaluating self-supervised echocardiographic representations across downstream extraction strategies for left-ventricular segmentation and ejection fraction estimation

organization= Centre for AI, Data Science \& AI, BioPharma R\&D, AstraZeneca , addressline= Biomedical Campus, 1 Francis Crick Ave, Trumpington , city= Cambridge , postcode= CB2 0AA , country= UK

本研究系统评估了自监督表示在左心室分割和射血分数估计中的表现，发现下游提取策略（如启发式提取、冻结线性探针、冻结轻量解码器、部分微调）显著影响结论，提出多策略评估是密集医学图像分析中SSL的重要方法论考虑。

2026-06-23cs.CV

计算机辅助全切片图像分析综述：从数据集到特征提取、分割、分类和检测方法

A Comprehensive Review of Computer-aided Whole-slide Image Analysis: from Datasets to Feature Extraction, Segmentation, Classification, and Detection Approaches

Stevens Institute of Technology（史蒂文斯理工学院）；University of Luebeck（吕贝克大学）；Northeastern University（东北大学）；China Medical University（中国医科大学）

随着计算机辅助诊断（CAD）和图像扫描技术的发展，全切片图像（WSI）扫描仪在病理诊断领域得到了广泛的应用。因此，WSI分析已成为现代数字病理学的关键。自2004年以来，WSI在CAD中的应用越来越广泛。由于机器视觉方法通常基于半自动或全自动计算机，因此效率高，节省人力。WSI与CAD技术相结合进行分割、分类和检测，有助于组织病理学家获得更稳定、定量的分析结果，节省人力成本，提高诊断客观性。本文综述了基于机器学习的WSI分析方法。首先介绍了WSI和CAD方法的发展现状。其次，我们讨论了公开可用的WSI数据集和分割，分类和检测任务的评估指标。然后，继续回顾了机器学习在WSI分割、分类和检测方面的最新进展。最后，对现有的分析方法进行了研究，分析了各种分析方法的适用性，并对分析方法在该领域的应用前景进行了展望。

2021-02-21cs.AIcs.CV

基于Mamba的特征提取与自适应多级特征融合用于多模态医学图像的3D肿瘤分割

Mamba Based Feature Extraction And Adaptive Multilevel Feature Fusion For 3D Tumor Segmentation From Multi-modal Medical Image

School of Computer Science and Engineering, Central South University, Changsha, 410083, China（计算机科学与工程学院，中南大学，长沙，410083，中国）；Hunan Engineering Research Center of Machine Vision and Intelligent Medicine, Central South University, Changsha, 410083, China（机器视觉与智能医学工程研究中心，中南大学，长沙，410083，中国）；Department of Radiation Oncology, Washington University in St. Louis, USA（放射肿瘤科，华盛顿大学圣路易斯分校，美国）；Department of Nuclear Medicine, Henri Becquerel Cancer Center, Rouen, France（核医学科，亨利·贝克勒尔癌症中心，鲁昂，法国）；University of Rouen-Normandy, AMIS - QuantIF UR 4108, F-76000, Rouen, France（鲁昂-诺曼底大学，AMIS - QuantIF UR 4108，法国，F-76000，鲁昂，法国）

本文提出一种基于Mamba的3D肿瘤分割方法，通过特定模态编码器提取长距离特征，并设计双层协同集成块动态融合多模态与多级特征，在PET/CT和MRI数据集上取得有竞争力的性能。

2025-04-30cs.CV

通过集成神经距离与纹理感知Transformer改进基于多期CT的胰腺癌预后预测

Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer

DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Peking University（北京大学）；Hupan Lab（湖畔实验室）；Sun Yat-sen University Cancer Center（中山大学肿瘤防治中心）；South China Hospital, Shenzhen University（深圳大学华南医院）；Tianjin Medical University Cancer Institute and Hospital（天津医科大学肿瘤医院）；Changsha Institute for Computing and Digital Economy（长沙计算与数字经济研究院）；Guangdong Provincial People’s Hospital（广东省人民医院）；Shengjing Hospital（盛京医院）

提出可学习神经距离描述肿瘤与血管关系，并结合CNN与Transformer提取多期CT动态纹理特征，在多中心数据集上显著提升PDAC预后预测性能。

2023-09-13cs.CVcs.LGeess.IV

胰腺H& E染色全切片图像中的自动肿瘤分割

Automatic tumour segmentation in H&E-stained whole-slide images of the pancreas

Radboud University Medical Center（拉德堡德大学医学中心）

胰腺癌很快将成为西方社会癌症相关死亡的第二大原因。CT、MRI和超声等成像技术通常有助于提供初步诊断，但组织病理学评估仍然是最终确认疾病存在和预后的金标准。近年来，机器学习方法和病理组学管道在改善其他癌症实体（如乳腺癌和前列腺癌）的诊断和治疗方面显示出潜力。这些流程中至关重要的第一步通常是肿瘤区域的识别和分割。理想情况下，这一步是自动完成的，以防止耗时的手动注释。我们提出了一个多任务卷积神经网络来平衡疾病检测和分割精度。我们在不同分辨率的29名患者（共58张幻灯片）的数据集上验证了我们的方法。最好的单任务分割网络在15.56 $μ$ m的分辨率下实现了0.885（0.122）IQR的中值Dice。我们的多任务网络在此基础上有所改进，Dice得分中位数为0.934（0.077）IQR。

2022-01-24cs.CVcs.LGeess.IV

3DGAUnet：基于3D U-Net生成器的3D生成对抗网络，以实现胰腺癌临床肿瘤图像数据的准确有效合成

3DGAUnet: 3D generative adversarial networks with a 3D U-Net based generator to achieve the accurate and effective synthesis of clinical tumor image data for pancreatic cancer

University of Nebraska-Lincoln（内布拉斯加大学林肯分校）；University of Nebraska Medical Center（内布拉斯加大学医学中心）；University of Rochester Medical Center（罗切斯特大学医学中心）

针对胰腺癌3D CT图像数据稀缺且对比度差的问题，提出基于3D U-Net生成器的生成对抗网络3DGAUnet，通过生成逼真的3D肿瘤图像及层间连接数据，有效缓解数据稀缺并提升深度学习早期诊断准确性。

2023-11-27cs.CVeess.IV

SAM 与 BET：基于深度学习的磁共振图像脑提取与分割比较研究

SAM vs BET: A Comparative Study for Brain Extraction and Segmentation of Magnetic Resonance Images using Deep Learning

Baystate Medical Center（贝州医疗中心）；UMass Chan Medical School - Baystate Campus（马萨诸塞大学陈医学院贝州校区）

本文在不同质量、MR 序列和病变的脑部 MRI 上比较 SAM 与 BET，证明 SAM 在脑提取及细粒度脑结构分割中更准确、稳健。

2023-04-19cs.CVcs.LGeess.IV

使用分割、区域提取和分类流程的COVID-19检测

COVID-19 Detection Using Segmentation, Region Extraction and Classification Pipeline

Izmir Democracy University（伊兹密尔民主大学）

本文提出一种结合分割、肺部提取和CNN分类的CT图像COVID-19检测流程，在COV-19CT Database上较先前结果有所提升，并具有临床诊断潜力。

2023-03-29cs.CVcs.LGeess.IV

CCESAR：利用CNN-U-Net组合从SAR图像中进行海岸线分类-提取

CCESAR: Coastline Classification-Extraction From SAR Images Using CNN-U-Net Combination

International Institute of Information Technology Bangalore（班加罗尔国际信息技术学院）

本文提出CCESAR两阶段模型，结合CNN分类与U-Net分割，从SAR图像中提取海岸线，实验证明其优于单一U-Net模型。

2025-01-21cs.CVcs.LGeess.IV

基于MISP-GGD超像素分割的SAR图像高分辨率直线提取

High-resolution Coastline Extraction in SAR Images via MISP-GGD Superpixel Segmentation

University of Bristol（布里斯托大学）

高精度海岸线/海岸线提取合成孔径雷达图像是一个关键的一步，在一些海洋和沿海监测应用。我们提出了一种基于广义伽玛混合模型超像素算法（MISP-GGD）的图像分割方法。MISP-GGD产生的超像素非常精确地附着在图像中的对象边缘，例如海岸线。根据纹理和辐射特征对所生成的超像素进行无监督聚类允许生成陆地/水域掩模，从该掩模可以提取高度准确的海岸线。我们提出了我们所提出的方法对不同特性的SAR图像的数量的结果。

2022-03-05cs.CVeess.IV

基于域自适应转移攻击（DATA）分割网络的航空影像建筑物提取

Domain Adaptive Transfer Attack (DATA)-based Segmentation Networks for Building Extraction from Aerial Images

National Institute of Standards and Technology（国家标准与技术研究院）；Rice University（莱斯大学）；Colorado State University（科罗拉多州立大学）；National Research Institute for Metals（金属材料研究所）

基于卷积神经网络（CNN）的语义分割模型在遥感领域得到了广泛的关注，并在高分辨率航空影像建筑物提取方面取得了显著的效果。然而，对于不可见图像的有限概括的问题仍然存在。当训练数据集和测试数据集之间存在域间隙时，由训练数据集训练的基于CNN的分割模型无法为测试数据集分割建筑物。在本文中，我们提出了分割网络的基础上域自适应转移攻击（DATA）计划从航空图像中提取建筑物。所提出的系统结合了域转移和对抗攻击的概念。基于DATA方案，可以将输入图像的分布转移到目标图像的分布，同时将图像转化为针对目标网络的对抗性示例。防御对抗性的例子适应于目标域可以克服由于域间隙的性能下降，并增加分割模型的鲁棒性。针对三个不同的数据集进行了跨数据集实验和消融研究：Inria航空图像标记数据集，马萨诸塞州建筑数据集和WHU东亚数据集。与没有DATA方案的分段网络的性能相比，所提出的方法在整体IoU方面有所改进。此外，它被验证，所提出的方法优于即使相比，特征自适应（FA）和输出空间自适应（OSA）。

2020-04-29cs.CVcs.LGeess.IV

基于中心提取的荧光显微图像三维细胞核实例分割

Center-Extraction-Based Three Dimensional Nuclei Instance Segmentation of Fluorescence Microscopy Images

Purdue University（普渡大学）；Indiana University-Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）；Indiana University（印第安纳大学）

荧光显微镜是分析组织中三维亚细胞结构的重要工具。组织表征中的重要步骤涉及细胞核分割。在本文中，一个两阶段的方法分割的细胞核使用卷积神经网络（CNN）的描述。特别是，由于手动创建标记的体积用于训练目的是不切实际的，由于3D数据集的大小和复杂性，本文描述了一种基于空间约束的周期一致性对抗网络生成合成显微镜体积的方法。所提出的方法进行了测试，多个真实的显微镜数据集，优于其他常用的分割技术。

2019-09-13cs.CVeess.IV

基于LiDAR的LOD1三维城市模型：分割精度对城市三维建模与形态提取质量的影响

LOD1 3D City Model from LiDAR: The Impact of Segmentation Accuracy on Quality of Urban 3D Modeling and Morphology Extraction

Faculty of Civil Engineering and Transportation, University of Isfahan（土木工程与交通学院，伊斯法罕大学）

本研究评估LiDAR数据用于LOD1级建筑三维重建与形态提取的潜力，对比4种语义分割模型，发现U-Net3+结合第90百分位数与中位数可实现高精度高度估算与形态提取，且分割精度显著影响建模与形态特征提取质量。

2025-05-20cs.CVcs.LGeess.IV

PP-LinkNet：利用多阶段训练改进高分辨率卫星影像的语义分割

PP-LinkNet: Improving Semantic Segmentation of High Resolution Satellite Imagery with Multi-stage Training

Grabtaxi Holdings（Grab出租车控股公司）

道路网络和建筑物足迹提取对于许多应用至关重要，例如更新地图、交通法规、城市规划、叫车、灾难响应\textit{etc}。绘制道路网络图目前既昂贵又劳动密集。最近，通过应用深度神经网络对图像分割的改进在从大规模、高分辨率卫星图像中提取道路段方面显示出有希望的结果。然而，由于缺乏足够的标记训练数据来构建用于工业级应用的模型，因此仍然存在重大挑战。在本文中，我们提出了一个两阶段的迁移学习技术，以提高卫星图像的语义分割的鲁棒性，该技术利用了从众包OpenStreetMap（OSM）数据自动（无需人工）获得的噪声伪地面真实掩模。我们进一步提出了金字塔池链接网络（PP-LinkNet），这是一种改进的深度神经网络，用于分割，使用焦点丢失，聚学习率和上下文模块。我们证明了我们的方法的优势，通过对三个流行的数据集在两个任务，即道路提取和建筑物足迹检测进行评估。具体来说，我们在SpaceNet建筑足迹数据集上获得了78.19\%的平均IoU，在SpaceNet和DeepGlobe道路提取数据集上分别获得了67.03\%和77.11\%的道路拓扑度量。

2020-10-14cs.CVcs.LGeess.IV

基于多尺度特征提取和双注意机制的皮肤病变自动分割

Automated skin lesion segmentation using multi-scale feature extraction scheme and dual-attention mechanism

Vellore Institute of Technology（韦洛尔理工学院）；V R Siddhartha Engineering College（V R悉达多工程学院）

从皮肤镜图像中分割皮肤病变对于诊断皮肤癌是必不可少的。但由于背景与病灶对比度差、图像伪影多、病灶边界不清晰等原因，使得自动分割较为复杂。在这项工作中，我们提出了一个深度学习模型，用于从皮肤镜图像中分割皮肤病变。为了解决皮肤病变特征提取的难题，我们设计了一个多尺度特征提取模块，用于提取具有鉴别力的特征。进一步在这项工作中，开发了两种注意力机制来细化后上采样特征和编码器提取的特征。该模型使用ISIC 2018和ISBI 2017数据集进行评估。该模型的性能优于所有现有的作品和排名靠前的模型在两个比赛。

2022-06-07cs.CVeess.IV

基于深度学习的全自动脑肿瘤分割：大脑提取仍然有必要吗？

Towards fully automated deep-learning-based brain tumor segmentation: is brain extraction still necessary?

Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；Santa Luzia Hospital（圣卢西亚医院）

最先进的脑肿瘤分割基于应用于多模态MRI的深度学习模型。目前，这些模型是在预处理阶段之后在图像上训练的，预处理阶段包括配准、插值、大脑提取（BE，也称为头骨剥离）和专家手动校正。然而，对于临床实践，这最后一步是繁琐和耗时的，因此，并不总是可行的，导致颅骨剥离故障，可能会对肿瘤分割质量产生负面影响。尽管如此，这种影响的程度从来没有被衡量的任何许多不同的BE方法可用。在这项工作中，我们提出了一个自动脑肿瘤分割管道，并评估其性能与多种BE方法。我们的实验表明，BE方法的选择可以损害高达15.7%的肿瘤分割性能。此外，我们提出了在非颅骨剥离图像上训练和测试肿瘤分割模型，有效地从管道中丢弃BE步骤。我们的研究结果表明，这种方法导致在一小部分的时间有竞争力的性能。我们的结论是，与当前的范例相比，当需要在临床实践中获得高性能时，在非颅骨剥离图像上训练肿瘤分割模型可能是最佳选择。

2022-12-14cs.CVeess.IV

基于两级上下文变换的卷积神经网络在CT图像气道提取中的应用

Two-stage Contextual Transformer-based Convolutional Neural Network for Airway Extraction from CT Images

Northeastern University（东北大学）；Shenyang University of Technology（沈阳工业大学）；The Chinese University of Hong Kong（香港中文大学）；Second Affiliated Hospital of Dalian Medical University（大连医科大学附属第二医院）；Central Hospital Affiliated to Shenyang Medical College（沈阳医学院附属中心医院）

从计算机断层扫描（CT）图像中准确提取气道是规划导航支气管镜检查和气道相关慢性阻塞性肺疾病（COPD）定量评估的关键步骤。现有的方法由于受限于标签的限制，难以对气道尤其是高代气道进行充分分割，无法满足COPD的临床应用。我们提出了一种新的两阶段的三维上下文变换为基础的U-Net气道分割CT图像。该方法包括两个阶段，执行初始和精细的气道分割。两阶段模型共享相同的子网络，不同的气道面罩作为输入。在子网络的编码器和解码器路径中执行上下文Transformer块，以有效地完成高质量的气道分割。在第一阶段中，将总气道掩模和CT图像提供给子网络，并且在第二阶段中将肺内气道掩模和对应的CT扫描提供给子网络。然后将两阶段方法的预测合并为最终预测。在内部和多个公共数据集上进行了广泛的实验。定量和定性分析表明，我们提出的方法提取了更多的分支和长度的树，同时实现了最先进的气道分割性能。该代码可在https://github.com/zhaozsq/airway_segmentation上获得。

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

通过TEM（透射电子显微镜）在生物结构的三维成像中检测和提取生物颗粒

Detection and extraction of biological particles in a three-dimensional imaging of biological structures by TEM (Transmission Electron Microscopy)

Université de Tunis El Manar（突尼斯埃尔马纳尔大学）；Faculté des Sciences de Tunis（突尼斯科学学院）

细胞分割在生物学中表现出快速增长。事实上，仅仅使用经典的分割方法是不足以分割这类图像的。在本文中，我们将提出一种新的核糖体分割方法。预处理阶段将在分割过程之前进行，之后将进行后处理。

2020-12-14cs.CVeess.IVq-bio.QM

使用深度学习在TOF-MRA中自动提取脑血管

Automatic Cerebral Vessel Extraction in TOF-MRA Using Deep Learning

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

深度学习方法可以帮助放射科医生早期诊断和及时治疗脑血管疾病。飞行时间磁共振血管成像（TOF-MRA）的准确脑血管分割是这一过程中必不可少的一步。本研究探讨了用于TOF-MRA的自动、快速和准确脑血管分割的深度学习方法。在五个实验中研究了用于训练用于血管分割的2D和3D U-Net的几种数据增强和选择方法的性能：a）无增强，b）高斯模糊，c）旋转和翻转，d）高斯模糊，旋转和翻转以及e）不同的输入补丁大小。所有实验都是通过对2D和3D U-Net进行补丁训练来进行的，并在MRA的测试集上进行预测。使用交互式阈值和区域生长方法手动定义地面实况。使用预测图像和交互定义的地面实况之间的Dice相似系数（DSC）、修正的Hausdorff距离和体积相似性来评估性能。在测试集上，所有经过训练的网络的分割性能都很好，DSC得分在0.72到0.83之间。与没有增强或只有其中一种增强技术的其他实验相比，2D和3D U-Net在高斯模糊、旋转和翻转的情况下具有最佳的分割性能。此外，在较大的补丁或切片上进行训练可以获得最佳分割结果。总之，血管分割可以在较大斑块上使用经训练的3D U-Net在TOF-MRA上最佳地执行，其中对训练数据执行数据增强，包括高斯模糊、旋转和翻转。

2021-01-22cs.CVcs.LGeess.IV

一种新的边界划分网络提取颈动脉超声血管壁

Extraction of Vascular Wall in Carotid Ultrasound via a Novel Boundary-Delineation Network

Northwestern Polytechnical University（西北工业大学）；Guangxi University for Nationalities（广西民族大学）；Shenzhen Delica Medical Equipement Company Limited（深圳德力凯医疗设备有限公司）；Hospital of Northwestern Polytechnical University（西北工业大学医院）

超声成像在血管病变的诊断中起着重要的作用。血管壁的准确分割对于血管疾病的预防、诊断和治疗具有重要意义。然而，现有的方法具有不准确的血管壁边界的定位。分割错误发生在不连续的血管壁边界和暗边界。为了克服这些问题，我们提出了一个新的边界划定网络（BDNet）。我们使用边界细化模块来重新描绘血管壁的边界，以获得正确的边界位置。设计了特征提取模块，提取并融合多尺度特征和不同感受野特征，解决了暗边界和不连续边界的问题。我们使用一个新的损失函数来优化模型。避免了类不平衡对模型优化的干扰，获得了更精细、更平滑的边界。最后，为了便于临床应用，我们将模型设计为轻量级的。实验结果表明，我们的模型实现了最好的分割结果，并显着减少内存消耗相比，现有的模型的数据集。

2022-07-28cs.CVcs.LGeess.IV