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

用于腹部计算机断层扫描器官分割与肿瘤检测的通用且可扩展的语言-视觉模型

Universal and Extensible Language-Vision Models for Organ Segmentation and Tumor Detection from Abdominal Computed Tomography

提出通用且可扩展的Universal Model框架，利用语言驱动参数生成器和轻量级特定类别头，在多数据集上实现高效器官分割与肿瘤检测，展现强泛化能力并支持新类别扩展。

Efficient liver segmentation with 3D CNN using computed tomography scans

The liver is one of the most critical metabolic organs in vertebrates due to its vital functions in the human body, such as detoxification of the blood from waste products and medications. Liver diseases due to liver tumors are one of the most common mortality reasons around the globe. Hence, detecting liver tumors in the early stages of tumor development is highly required as a critical part of medical treatment. Many imaging modalities can be used as aiding tools to detect liver tumors. Computed tomography (CT) is the most used imaging modality for soft tissue organs such as the liver. This …

挤压和激发归一化用于自动描绘组合PET和CT图像中的头颈部原发性肿瘤

Squeeze-and-Excitation Normalization for Automated Delineation of Head and Neck Primary Tumors in Combined PET and CT Images

在临床实践和放射组学研究中，开发鲁棒且准确的全自动医学图像分割方法至关重要。在这项工作中，我们在MICCAI 2020头颈部肿瘤分割挑战（HECKTOR）的背景下，为正电子发射断层扫描/计算机断层扫描（PET/CT）图像中的头颈部（H&N）原发性肿瘤分割提供了一种自动化方法。我们的模型是在具有剩余层的U-Net架构上设计的，并补充了挤压和激励归一化。所描述的方法在不同中心进行的交叉验证（DSC 0.745，精度0.760，召回率0.789）中取得了有竞争力的结果，以及在测试集（DSC 0.759，精度0.833，召回率0.740）上，使我们能够在21个参与团队中赢得HECKTOR挑战赛的一等奖。基于PyTorch和训练模型的完整实现可在https://github.com/iantsen/hecktor上获得

用于全身PET/CT图像中自动肿瘤分割的定位到分割框架

A Localization-to-Segmentation Framework for Automatic Tumor Segmentation in Whole-Body PET/CT Images

本文提出一种定位到分割框架L2SNet，通过病灶定位与分割两阶段及自适应阈值方案解决全身PET/CT图像中肿瘤精确分割难题，在MICCAI 2023挑战数据集上取得前7的竞争性结果。

AutoPET Challenge 2023：基于滑动窗口的U-Net优化

AutoPET Challenge 2023: Sliding Window-based Optimization of U-Net

针对FDG-PET/CT影像中难区分肿瘤与正常组织代谢摄取、肿瘤分割精度不足的问题，AutoPET 2023挑战赛提供1014例数据集，本文提出基于滑动窗口的U-Net优化方法用于肿瘤分割，推动相关领域技术发展。

超快多普勒三维纵向成像研究小鼠体内肿瘤血管生成

3-D Longitudinal Imaging of Tumor Angiogenesis in Mice in Vivo Using Ultrafast Doppler Tomography

血管生成，即新血管的形成，是肿瘤发展的关键机制之一，也是一个有吸引力的治疗靶点。需要非侵入性、高分辨率、高灵敏度、定量3D成像技术来随着时间的推移正确地描绘肿瘤异质性脉管系统。超快多普勒是最近推出的，它提供了前所未有的分辨率、穿透深度和灵敏度的组合，而不需要任何造影剂。该技术通过超快多普勒断层扫描（UFD-T）进一步扩展到3D。在这项工作中，UFD-T被应用于监测体内肿瘤血管生成，提供不同发育阶段的结构和功能信息。UFD-T体积透视图显示，我们的小鼠模型的血管系统源于预先存在的血管，并随着肿瘤的生长而发芽以灌注整个体积，直到达到临界尺寸。然后，随着网络变得不足，肿瘤核心不再被灌注，因为脉管系统主要集中在外围。除了空间分布和生长模式外，UFD-T还可以对血管大小和长度进行定量分析，显示血管的直径分布在整个肿瘤生长过程中保持相对恒定。在肿瘤发展的所有阶段，该网络以小血管为主，超过74%的血管直径小于200 $μ$ m。这项研究还表明，累积血管长度与肿瘤半径的关系比与体积的关系更密切，这表明当达到临界质量时，血管化变得不足。UFD-T还与动态对比增强超声（DCE-US）进行了比较，并显示出提供了关于结构和灌注之间联系的补充信息。总之，UFD-T能够在3D中对肿瘤血管系统的发展进行体内定量评估（血液速度> 1 mm/s（灵敏度限值）的血管，分辨率限值为80 $μ$ m）。该技术具有非常有趣…

ISA-Net: Improved spatial attention network for PET-CT tumor segmentation

Achieving accurate and automated tumor segmentation plays an important role in both clinical practice and radiomics research. Segmentation in medicine is now often performed manually by experts, which is a laborious, expensive and error-prone task. Manual annotation relies heavily on the experience and knowledge of these experts. In addition, there is much intra- and interobserver variation. Therefore, it is of great significance to develop a method that can automatically segment tumor target regions. In this paper, we propose a deep learning segmentation method based on multimodal positron em…

迈向可泛化的肿瘤合成

Towards Generalizable Tumor Synthesis

本文利用早期小肿瘤在CT中跨器官相似的成像特征，提出基于扩散模型的可泛化肿瘤合成方法，并证明合成数据训练的AI模型能跨领域检测和分割真实肿瘤。

Towards Simultaneous Segmentation of Liver Tumors and Intrahepatic Vessels via Cross-attention Mechanism

Accurate visualization of liver tumors and their surrounding blood vessels is essential for noninvasive diagnosis and prognosis prediction of tumors. In medical image segmentation, there is still a lack of in-depth research on the simultaneous segmentation of liver tumors and peritumoral blood vessels. To this end, we collect the first liver tumor, and vessel segmentation benchmark datasets containing 52 portal vein phase computed tomography images with liver, liver tumor, and vessel annotations. In this case, we propose a 3D U-shaped Cross-Attention Network (UCA-Net) that utilizes a tailored …

H2ASeg：用于PET/CT图像肿瘤分割的层次自适应交互与加权网络

H2ASeg: Hierarchical Adaptive Interaction and Weighting Network for Tumor Segmentation in PET/CT Images

针对PET/CT肿瘤分割中模态融合不足的问题，提出H2ASeg网络，通过模态协同空间注意力和目标感知模态加权模块层次化建模跨模态相关性，在AutoPet-II和Hecktor2022上取得领先性能。

基于双流链式3D深度网络融合的PET/CT食管大体肿瘤体积精确分割

Accurate Esophageal Gross Tumor Volume Segmentation in PET/CT using Two-Stream Chained 3D Deep Network Fusion

肿瘤体积分割是食管癌放射治疗计划中的关键步骤。肿瘤学家之间的不确定性和高昂的劳动力成本激励了这项任务的自动化方法。然而，领先的方法仅适用于治疗前拍摄的放射治疗计算机断层扫描（RTCT）图像。这限制了RTCT的性能，因为食管、肿瘤和周围组织之间的对比度低。在本文中，我们的目标是利用RTCT和正电子发射断层扫描（PET）成像模式，以促进更准确的GTV分割。通过利用PET，我们模仿医疗专业人员，他们经常通过观察处方放疗后获得的RTCT图像和早期获得的用于癌症分期的PET/CT图像来描绘GTV边界。为了利用这两种模式，我们提出了一种双流链式分割方法，该方法通过早期和晚期基于3D深度网络的融合来有效地融合CT和PET模式。此外，为了实现融合和分割，我们提出了一个简单而有效的渐进语义嵌套网络（PSNN）模型，优于更复杂的模型。对110名食管癌患者进行了广泛的5倍交叉验证，这是迄今为止最大的分析，表明所提出的双流链式分割管道和PSNN模型都可以在绝对Dice评分（DSC）方面将先前最先进的定量性能显著提高11%。（从0.654到0.764），同时将Hausdorff距离从129 mm减小到47 mm。

Automatic Tumor Segmentation via False Positive Reduction Network for Whole-Body Multi-Modal PET/CT Images

Multi-modality Fluorodeoxyglucose (FDG) positron emission tomography / computed tomography (PET/CT) has been routinely used in the assessment of common cancers, such as lung cancer, lymphoma, and melanoma. This is mainly attributed to the fact that PET/CT combines the high sensitivity for tumor detection of PET and anatomical information from CT. In PET/CT image assessment, automatic tumor segmentation is an important step, and in recent years, deep learning based methods have become the state-of-the-art. Unfortunately, existing methods tend to over-segment the tumor regions and include region…

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

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。

使用具有体积验证的U网逻辑包围的肾脏和肾脏肿瘤分割

Kidney and Kidney Tumor Segmentation using a Logical Ensemble of U-nets with Volumetric Validation

自动医学图像分割是计算方法的优先研究领域。特别是，癌性肿瘤的检测代表了该领域当前的挑战，具有现实世界影响的潜力。本文描述了一种为响应2019年肾脏肿瘤分割挑战（KiTS 19）而开发的方法。来自210名肾癌患者的轴向计算机断层扫描（CT）扫描被用于开发和评估这种基于全卷积网络（FCN）架构的逻辑集成的自动分割方法，然后进行体积验证。使用传统的计算机视觉技术，阈值化，直方图均衡化，形态学操作，居中，缩放和缩放对数据进行预处理。训练三个二元FCN分割模型，分别对肾脏和肿瘤（2）以及仅对肿瘤（1）进行分类。对模型输出图像进行堆叠和体积验证，以生成每个患者扫描的最终分割。使用预处理图像和注释计算肾脏和肿瘤像素分类的平均F1评分为0.6758;尽管恢复到原始图像格式降低了该评分。这与其他解决方案相比如何，还有待观察。

Improved automated lesion segmentation in whole-body FDG/PET-CT via Test-Time Augmentation

Numerous oncology indications have extensively quantified metabolically active tumors using positron emission tomography (PET) and computed tomography (CT). F-fluorodeoxyglucose-positron emission tomography (FDG-PET) is frequently utilized in clinical practice and clinical drug research to detect and measure metabolically active malignancies. The assessment of tumor burden using manual or computer-assisted tumor segmentation in FDG-PET images is widespread. Deep learning algorithms have also produced effective solutions in this area. However, there may be a need to improve the performance of a…

基于语义特征注意力网络的大规模CT数据库肝脏肿瘤分割

Semantic Feature Attention Network for Liver Tumor Segmentation in Large-scale CT database

肝肿瘤分割在肝癌诊断和手术规划中起着重要的作用。在本文中，我们提出了一种新的语义特征注意力网络（SFAN）从计算机断层扫描（CT）体积，它利用了低层次和高层次的功能的影响，肝脏肿瘤分割。在SFAN中，语义注意力传输（SAT）模块被设计为在相邻的高层语义信息的指导下选择有区别的低层定位细节。此外，提出了一个全局上下文注意（GCA）模块，以有效地融合多层次的功能与全局上下文的指导。我们的实验基于两个具有挑战性的数据库，公共肝肿瘤分割（LiTS）挑战数据库和具有912个CT体积的大规模内部临床数据库。实验结果表明，该框架在LiTS数据库中的肝脏肿瘤分割中，不仅可以达到最佳分割效果，而且在大规模临床数据库中的分割效果优于一些常用的分割算法。

用于脑肿瘤分割的跨模态深度特征学习

Cross-Modality Deep Feature Learning for Brain Tumor Segmentation

机器学习的最新进展和数字医学图像的流行为使用深度卷积神经网络解决具有挑战性的脑肿瘤分割（BTS）任务提供了机会。然而，与非常普遍的RGB图像数据不同，用于脑肿瘤分割的医学图像数据在数据规模方面相对稀缺，但在模态属性方面包含更丰富的信息。为此，本文提出了一种新的跨模态深度特征学习框架，用于从多模态MRI数据中分割脑肿瘤。其核心思想是在多模态数据中挖掘丰富的模式，以弥补数据规模的不足。提出的跨模态深度特征学习框架由两个学习过程组成：跨模态特征转换（CMFT）过程和跨模态特征融合（CMFF）过程，其目的是分别通过跨不同模态数据传输知识和融合来自不同模态数据的知识来学习丰富的特征表示。在BraTS基准上进行了全面的实验，结果表明，与基线方法和最新方法相比，所提出的跨模态深度特征学习框架可以有效地提高脑肿瘤分割性能。

CT图像中肝肾肿瘤的自动分割

Automatic segmentation of kidney and liver tumors in CT images

由于肝脏CT图像中肿瘤的不均匀性、扩散性和复杂的背景，自动分割肝脏病灶是一项具有挑战性的任务。为了解决这个问题，越来越多的研究人员依赖于具有2D或3D类型架构的深度卷积神经网络（CNN）的辅助，这些架构已被证明在广泛的计算机视觉任务中有效，包括医学图像处理。在这份技术报告中，我们进行了研究，重点是更仔细的方法来学习的过程，而不是复杂的架构的CNN。我们选择MICCAI 2017 LiTS数据集进行训练过程，并使用公共3DIRCADb数据集验证我们的方法。该算法在3DIRCADb数据集上的DICE得分达到78.8%。然后将所描述的方法应用于2019年肾脏肿瘤分割（KiTS-2019）挑战，其中我们的单一提交物在肾脏和肿瘤Dice评分中分别达到96.38%和67.38%。

Exploring Vanilla U-Net for Lesion Segmentation from Whole-body FDG-PET/CT Scans

Tumor lesion segmentation is one of the most important tasks in medical image analysis. In clinical practice, Fluorodeoxyglucose Positron-Emission Tomography~(FDG-PET) is a widely used technique to identify and quantify metabolically active tumors. However, since FDG-PET scans only provide metabolic information, healthy tissue or benign disease with irregular glucose consumption may be mistaken for cancer. To handle this challenge, PET is commonly combined with Computed Tomography~(CT), with the CT used to obtain the anatomic structure of the patient. The combination of PET-based metabolic and…

Automatic Segmentation of Head and Neck Tumor: How Powerful Transformers Are?

Cancer is one of the leading causes of death worldwide, and head and neck (H&N) cancer is amongst the most prevalent types. Positron emission tomography and computed tomography are used to detect, segment and quantify the tumor region. Clinically, tumor segmentation is extensively time-consuming and prone to error. Machine learning, and deep learning in particular, can assist to automate this process, yielding results as accurate as the results of a clinician. In this paper, we investigate a vision transformer-based method to automatically delineate H&N tumor, and compare its results to leadin…

利用人工智能对头颈癌患者进行诊断与预后评估

Diagnosis and Prognosis of Head and Neck Cancer Patients using Artificial Intelligence

本文面向头颈癌诊断与预后，比较ViT与CNN分割模型并提出3D数据的2D处理视角，同时构建预后集成模型及可联合预测结局与分割肿瘤的ViT框架。

基于空间聚合和不确定区域修复的多期肝肿瘤分割

Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting

多相位计算机断层扫描（CT）图像为准确的肝脏肿瘤分割（LiTS）提供了重要的补充信息。现有的多相位LiTS方法通常通过相位加权求和或基于通道注意力的级联来融合交叉相位特征。然而，这些方法忽略了不同相位之间的空间（像素）关系，因此导致特征集成不足。此外，现有方法的性能仍然受到分割中的不确定性的影响，这在肿瘤边界区域中特别严重。在这项工作中，我们提出了一种新型的LiTS方法来充分聚合多相信息并细化不确定区域分割。为此，我们引入了一个空间聚合模块（SAM），它鼓励每个像素之间的相互作用，不同的阶段，充分利用交叉相位信息。此外，我们设计了一个不确定区域修复模块（URIM），以改善不确定像素使用相邻的判别功能。在内部多相位CT数据集上的实验表明，我们的方法实现了有前途的肝脏肿瘤分割，并优于最先进的。

AutoPET III挑战赛：使用ResEnc模型集成进行肿瘤病灶分割

AutoPET III Challenge: Tumor Lesion Segmentation using ResEnc-Model Ensemble

针对多示踪剂多中心PET/CT扫描中肿瘤病灶分割的泛化难题，提出基于nnU-Net框架的3D残差编码器U-Net集成方法，结合Total Segmentator裁剪、重采样及测试时增强技术，在AutoPET III挑战赛初步测试集上取得0.9627的Dice分数并排名第一。

超视觉网络：基于坐标卷积层和注意力单元的肾脏肿瘤分割

Hyper Vision Net: Kidney Tumor Segmentation Using Coordinate Convolutional Layer and Attention Unit

KiTs 19挑战为加速实体肾肿瘤语义分割方法的改进铺平了道路。CT图像中的肾脏肿瘤由于运动不均匀、外形相似、形状多样等特点，其精确分割是一项具有挑战性的任务。受此启发，在本文中，我们提出了一种使用深度学习网络（称为Hyper vision Net模型）的新型肾脏肿瘤分割方法。所有现有的U-net模型都使用修改后的U-net来分割肾脏肿瘤区域。在所提出的架构中，我们在解码器部分引入了监督层，它甚至可以细化输出中的最小区域。数据集由300名患者的真实动脉期腹部CT扫描组成，包括KiTs 19提供的45964张图像，用于训练和验证所提出的模型。与现有的分割方法相比，该方法在肿瘤区域和肾脏区域的训练骰子值分别为0.9552和0.9633。

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

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。

使用计算机断层成像放射组学特征和机器学习对肾透明细胞癌进行无创Fuhrman分级

Non-Invasive Fuhrman Grading of Clear Cell Renal Cell Carcinoma Using Computed Tomography Radiomics Features and Machine Learning

目的：确定基于计算机断层成像（CT）放射学的肾透明细胞癌（ccRCC）分级术前预测的最佳分类方法。方法和材料：71例ccRCC患者纳入本研究。三种图像预处理技术（高斯拉普拉斯算子，小波滤波，和强度值的离散化）应用于肿瘤体积。从每个分割的肿瘤体积中总共提取了2530个放射组学特征（肿瘤形状和大小、强度统计和纹理）。进行单变量分析以评估每个特征与组织学状况的关联。在多变量分析的情况下，实现了以下三个特征选择，包括最小绝对收缩和选择算子（LASSO），学生t检验和最小冗余最大相关性（mRMR）算法。然后使用这些选择的特征构建三个分类模型（SVM、随机森林和逻辑回归），以在肾切除术时区分高级别和低级别ccRCC。最后，使用受试者工作特征曲线下面积（AUC）在自助验证队列中评价多变量模型性能。结果如下：单变量分析表明，在不同的图像集，128箱离散化图像具有统计学上显著不同（q值< 0.05）的纹理参数，平均AUC为0.74（q值< 0.05）。三个基于ML的分类器显示出高等级ccRCC与低等级ccRCC的熟练区分。Logistic回归、随机森林和SVM模型的AUC分别为0.78、0.62和0.83。结论：放射组学特征可以是一种有用的和有前途的非侵入性方法，用于术前评估ccRCC Fuhrman分级。关键词：RCC，放射组学，机器学习，计算机断层成像

使用约束分层多模态特征学习预测PET-CT扫描中软组织肉瘤的远处转移

Predicting Distant Metastases in Soft-Tissue Sarcomas from PET-CT scans using Constrained Hierarchical Multi-Modality Feature Learning

远处转移（DM）是指肿瘤的扩散，通常超出肿瘤起源的器官。它们是软组织肉瘤（STS）患者死亡的主要原因。正电子发射断层扫描-计算机断层扫描（PET-CT）被认为是治疗STS的首选成像方式。很难从影像学研究中确定哪些STS患者会发生转移。“放射组学”是指从医学图像中提取和分析定量特征，并已用于帮助识别此类肿瘤。放射组学的最新技术是基于卷积神经网络（CNN）。大多数CNN被设计用于单模态成像数据（单独的CT或PET），并且不利用PET-CT中嵌入的信息，其中存在解剖和功能成像模态的组合。此外，大多数放射组学方法依赖于来自成像专家的手动输入来进行肿瘤描绘、放射组学特征的定义和选择。然而，这种方法可能无法扩展到具有复杂边界的肿瘤以及存在多个其他疾病部位的肿瘤。我们概述了一种新的3D CNN，以帮助预测糖尿病STS患者的PET-CT数据。3D CNN使用约束特征学习模块和分层多模态特征学习模块，该模块利用来自模态的补充信息来关注语义上重要的区域。我们对STS患者的公共PET-CT数据集的研究结果表明，多模态信息提高了识别发展为DM的患者的能力。此外，我们的方法优于所有其他相关的最先进的方法。

基于模态感知的互学习多模态医学图像分割

Modality-aware Mutual Learning for Multi-modal Medical Image Segmentation

肝癌是世界上最常见的癌症之一。由于肝脏肿瘤的纹理变化不明显，对比增强计算机断层扫描（CT）成像是诊断肝癌的有效方法。在本文中，我们重点关注通过集成多模式CT图像来改进自动肝脏肿瘤分割。为此，我们提出了一种新的相互学习（ML）策略，用于有效和鲁棒的多模态肝脏肿瘤分割。与现有的通过单个模型融合来自不同模态的信息的多模态方法不同，使用ML，特定于模态的模型的集合协同学习并相互教导，以提取不同模态的高级表示之间的特征和共性。所提出的ML不仅能够实现多模态学习的优势，而且还可以通过将知识从现有模态转移到缺失模态来处理缺失模态。此外，我们提出了一个模态感知（MA）模块，其中特定于模态的模型相互连接，并与自适应信息交换的注意力权重进行校准。所提出的模态感知的相互学习（MAML）方法在大规模临床数据集上的肝肿瘤分割取得了可喜的成果。此外，我们还展示了MAML在处理肝肿瘤和公共脑肿瘤（BRATS 2018）数据集上缺失模式的有效性和稳健性。我们的代码可在https://github.com/YaoZhang93/MAML上获得。

DeepPrognosis：通过对比增强CT成像对胰腺癌生存期和手术切缘的术前预测

DeepPrognosis: Preoperative Prediction of Pancreatic Cancer Survival and Surgical Margin via Contrast-Enhanced CT Imaging

胰腺导管腺癌（PDAC）是最致命的癌症之一，并且具有令人沮丧的预后。对于有资格进行PDAC初次切除的患者，手术仍然是潜在治愈的最佳机会。然而，即使在相同阶段的切除患者中，结果也有很大差异，并接受类似的治疗。因此，高度期望用于个性化治疗的可切除PDAC的准确术前预后。然而，还没有自动化的方法来充分利用对比增强计算机断层扫描（CE-CT）成像的PDAC。不同CT相位的肿瘤衰减变化可以反映可能影响临床结果的肿瘤内部基质分数和个体肿瘤的血管化。在这项工作中，我们提出了一种新的深度神经网络用于可切除PDAC患者的生存预测，称为3D对比增强卷积长短期记忆网络（CE-ConvLSTM），它可以从CE-CT成像研究中获得肿瘤衰减特征或模式。我们提出了一个多任务CNN来完成结果和边缘预测的任务，其中网络受益于学习肿瘤切除边缘相关特征以提高生存预测。与现有的最先进的生存分析方法相比，该框架可以提高预测性能。从我们的模型中构建的肿瘤特征明显增加了与现有临床分期系统相结合的价值。

组织代谢组与计算机断层扫描图像的深度表示学习标注非小细胞肺癌的无创分类与预后预测

Deep Representation Learning of Tissue Metabolome and Computed Tomography Images Annotates Non-invasive Classification and Prognosis Prediction of NSCLC

本研究提出TMR-CT深度学习框架，将组织代谢组信息嵌入CT图像表示，在742例NSCLC患者中实现无创组织学分类（F1=0.78）和预后预测（c-index=0.72），超越影像组学与临床特征。

用于良性和恶性眼部肿瘤生长估计的深度学习模型

Deep Learning models for benign and malign Ocular Tumor Growth Estimation

医学成像数据的相对丰富的可用性为基于神经网络的图像处理方法的开发和测试提供了重要的支持。临床医生经常面临的问题，选择合适的图像处理算法的医学成像数据。这里提出了一种选择合适模型的策略。训练数据集包括50只小鼠眼睛的光学相干断层扫描（OCT）和血管造影（OCT-A）图像，随访时间超过100天。数据包含来自经处理和未经处理的小鼠眼睛的图像。测试了四种深度学习变体的自动（a）肿瘤区域与健康视网膜层的区分和（b）3D眼部肿瘤体积的分割。深度学习模型的详尽敏感性分析是针对训练和测试图像的数量进行的，使用8个性能指标来研究准确性、可靠性/再现性和速度。具有UVgg 16的U-net最适用于治疗的恶性肿瘤数据集（具有相当大的变化），而具有Inception主干的U-net最适用于良性肿瘤数据集（具有较小的变化）。损失值和均方根误差（R.M.S.E.）发现最敏感和最不敏感的性能指标，分别。性能（通过指数）被发现是指数级提高关于一些训练图像。分段OCT-血管造影数据显示新血管形成驱动肿瘤体积。图像分析显示，光动力成像辅助肿瘤治疗方案正在将积极生长的肿瘤转化为囊肿。获得的经验表达式，以帮助医疗专业人员选择一个特定的模型给定的图像的数量和类型的特征。我们建议，在使用特定的深度学习模型进行生物医学图像分析之前，应将本练习作为标准实践。

深度交叉模态（MR-CT）导出用于锥束CT肺肿瘤分割的蒸馏学习

Deep cross-modality (MR-CT) educed distillation learning for cone beam CT lung tumor segmentation

尽管治疗室内锥形束计算机断层扫描（CBCT）成像广泛可用，但由于缺乏可靠的分割方法，CBCT仅用于肺部放射治疗中的总体设置校正。准确可靠的自动分割工具可以增强体积反应评估和几何引导的自适应放射治疗。因此，我们开发了一种新的深度学习CBCT肺部肿瘤分割方法。研究方法：我们的方法称为交叉模态导出蒸馏（CMEDL）的关键思想是使用磁共振成像（MRI）来指导CBCT分割网络训练，以在训练过程中提取更多信息特征。我们通过使用未配对的CBCT和MRI数据集训练由未配对域自适应（UDA）和跨域分割蒸馏网络（SDN）组成的端到端网络来实现这一点。特征提取使学生网络规则化以提取与由教师网络提取的MRI特征的统计分布相匹配的CBCT特征，并获得肿瘤与背景的更好区分。我们还比较了使用UDA与MR分割网络的替代框架，其中在合成的伪MRI表示上进行分割。所有网络均使用从不同患者队列中获得的216个每周CBCT和82个T2加权快速自旋回波MRI进行训练。对未用于培训的患者的20个每周CBCT进行了验证。对未用于培训或验证的患者的38个每周CBCT进行独立测试。分割精度使用表面Dice相似系数（SDSC）和Hausdroff距离在第95百分位数（HD95）度量。

将交叉模态超分辨率MRI与CT集成以辅助纵隔肺肿瘤分割

Integrating cross-modality hallucinated MRI with CT to aid mediastinal lung tumor segmentation

肺部肿瘤，特别是那些位于软组织（如纵隔）附近或周围的肿瘤，由于计算机断层扫描图像上软组织对比度低，很难分割。磁共振图像包含优越的软组织对比信息，如果两种模式都可用于训练，则可以利用这些信息。因此，我们开发了一种跨模态导出学习方法，其中从CT导出的MR信息用于幻觉MRI并改善CT分割。我们的方法称为跨模态导出的深度学习分割（CMEDL），通过对齐CT和CT产生的伪MR的特征来获得CT上的分割。在最后两层经训练的CT和MR分割网络中计算的特征被对齐。我们在U-net和密集全卷积网络（dense-FCN）上实现了这种方法。我们的网络在来自开源癌症成像档案CT图像（N=377）、内部档案T2加权MR（N=81）的不相关队列上进行训练，并使用单独的验证（N=304）和测试（N=333）CT描绘的肿瘤进行评估。我们使用这两种网络的方法要准确得多（U-网$P <0.001$ ; denseFCN $P <0.001$）比仅CT网络更好，并实现了准确性（骰子相似系数）为0.71 $\pm$ 0.15（U-net），0.74 $\pm$ 0.12（denseFCN）验证和0.72 $\pm$ 0.14（U-net），0.73 $\pm$ 0.12（denseFCN）。我们的新方法表明，通过学习先验知识导出跨模态信息可以提高CT分割性能

基于类响应的弱监督PET肿瘤检测

Weakly Supervised PET Tumor Detection Using Class Response

医学成像中最大的挑战之一是缺乏数据和注释数据。事实证明，经典的分割方法，如U-NET是有用的，但仍然有限，由于缺乏注释的数据。使用弱监督学习是解决这个问题的一种有前途的方法，然而，由于图像中的巨大变化，训练一个模型来有效地检测和定位不同类型的病变是具有挑战性的。在本文中，我们提出了一种新的方法来定位不同类型的病变，在正电子发射断层扫描（PET）图像中，只使用一个类标签在图像级。首先，训练一个简单的卷积神经网络分类器来预测两个2D MIP图像上的癌症类型。然后，使用类激活图生成肿瘤的伪定位，在具有先验知识的多任务学习方法中反向传播和校正，从而产生肿瘤检测掩模。最后，我们使用从两个2D图像生成的掩模来检测3D图像中的肿瘤。我们所提出的方法的优点包括检测整个肿瘤体积的三维图像，只使用两个二维图像的PET图像，并显示出一个非常有前途的结果。它可以作为一种工具，在PET扫描中非常有效地定位肿瘤，这对医生来说是一项耗时的任务。此外，我们表明，我们提出的方法可以用来进行放射组学研究与最先进的结果。

使用肿瘤、淋巴结和危险器官的编码3D空间背景描绘深食管临床靶体积

Deep Esophageal Clinical Target Volume Delineation using Encoded 3D Spatial Context of Tumors, Lymph Nodes, and Organs At Risk

放射治疗计算机断层扫描（RTCT）图像的临床靶体积（CTV）勾画用于定义包含大体肿瘤体积（GTV）和/或亚临床恶性疾病的放射治疗（RT）治疗区域。用户内和用户间的高度可变性使得这对于食管癌来说是一项特别困难的任务。这激发了自动化解决方案，这是我们工作的目标。由于CTV描绘是高度依赖于上下文的-它必须包括GTV和区域淋巴结（LN），同时也避免过度暴露于危险器官（OAR）-我们使用这些解剖结构的编码空间上下文将其制定为基于深度上下文外观的问题。这允许深度网络更好地学习和模仿由人类医生执行的基于边缘和外观的描绘。此外，我们开发了特定于域的数据增强，为我们的系统注入了鲁棒性。最后，我们证明了一个简单的3D渐进式整体嵌套网络（PHNN），它避免了计算繁重的解码路径，同时仍然在不同层次的上下文聚合功能，可以优于更复杂的网络。在135名食管癌患者的数据集上进行的交叉验证实验表明，我们的编码空间上下文方法可以产生具体的性能改进，平均Dice得分为83.9%，平均表面距离为4.2 mm，分别比最先进的方法提高了3.8%和2.4 mm。

Boundary-Aware Network for Kidney Parsing

Kidney structures segmentation is a crucial yet challenging task in the computer-aided diagnosis of surgery-based renal cancer. Although numerous deep learning models have achieved remarkable success in many medical image segmentation tasks, accurate segmentation of kidney structures on computed tomography angiography (CTA) images remains challenging, due to the variable sizes of kidney tumors and the ambiguous boundaries between kidney structures and their surroundings. In this paper, we propose a boundary-aware network (BA-Net) to segment kidneys, kidney tumors, arteries, and veins on CTA sc…

基于递归3D- DenseUNet的肺癌肿瘤区域分割

Lung Cancer Tumor Region Segmentation Using Recurrent 3D-DenseUNet

计算机辅助肺癌自动诊断系统的性能在很大程度上取决于肿瘤区域的准确检测和分割。在本文中，我们提出了Recurrent 3D-DenseUNet，这是一种基于深度学习的新型架构，用于从CT扫描中分割体积肺肿瘤。所提出的架构包括一个3D编码器块，学习提取细粒度的空间和粗粒度的时间特征，多个卷积长短期记忆（ConvLSTM）层的递归块，以提取细粒度的时空信息，最后是一个3D解码器块，从潜在的特征空间重建所需的体积分割掩模。编码器和解码器块由几个3D卷积层组成，这些层之间紧密连接，以便在整个网络中进行必要的特征聚合。在预测过程中，我们应用选择性阈值化，然后进行形态学操作，在网络预测的顶部，以更好地区分肿瘤和非肿瘤图像切片，这比仅基于阈值的方法更有前途。我们在由癌症成像档案馆（TCIA）为2018年IEEE VIP杯提供的300名患者的NSCLC-Radiomics数据集上对我们的网络进行了训练和测试。此外，我们进行了广泛的消融研究，在实践中不同的损失函数，这项任务。所提出的网络优于其他最先进的3D分割架构，平均骰子得分为0.7228。

A Multi-Stage Framework for the 2022 Multi-Structure Segmentation for Renal Cancer Treatment

Three-dimensional (3D) kidney parsing on computed tomography angiography (CTA) images is of great clinical significance. Automatic segmentation of kidney, renal tumor, renal vein and renal artery benefits a lot on surgery-based renal cancer treatment. In this paper, we propose a new nnhra-unet network, and use a multi-stage framework which is based on it to segment the multi-structure of kidney and participate in the KiPA2022 challenge.

MLC at HECKTOR 2022: The Effect and Importance of Training Data when Analyzing Cases of Head and Neck Tumors using Machine Learning

Head and neck cancers are the fifth most common cancer worldwide, and recently, analysis of Positron Emission Tomography (PET) and Computed Tomography (CT) images has been proposed to identify patients with a prognosis. Even though the results look promising, more research is needed to further validate and improve the results. This paper presents the work done by team MLC for the 2022 version of the HECKTOR grand challenge held at MICCAI 2022. For Task 1, the automatic segmentation task, our approach was, in contrast to earlier solutions using 3D segmentation, to keep it as simple as possible …

自监督学习提升深度学习肺肿瘤分割对CT成像差异的鲁棒性

Self-supervised learning improves robustness of deep learning lung tumor segmentation to CT imaging differences

该研究对比野外预训练与自预训练的Transformer模型在肺肿瘤分割中对CT成像差异的鲁棒性，发现野外预训练模型鲁棒性更优，Swin架构获益更显著，掩码图像预测前置任务效果优于对比任务。

多模态的危险器官分割

Organ At Risk Segmentation with Multiple Modality

随着计算机视觉中图像分割技术的发展，生物医学图像分割在脑肿瘤分割和危及器官（OAR）分割方面取得了显著的进展。然而，大多数研究只使用单一模式，如计算机断层扫描（CT）扫描，而在现实世界中，医生往往使用多种模式，以获得更准确的结果。为了更好地利用不同的模式，我们收集了一个大型数据集，包括136例诊断为鼻咽癌的CT和MR图像。在本文中，我们提出使用生成对抗网络来执行CT到MR的转换，以合成MR图像，而不是对齐两种模式。合成的MR可以与CT联合训练以实现更好的性能。此外，我们使用实例分割模型来扩展OAR分割任务，以分割器官和肿瘤区域。收集的数据集将很快公布。

一种开放的多中心全身FDG PET/CT基础模型用于肿瘤分割

An Open Multi-Center Whole-Body FDG PET/CT Foundation Model for Tumor Segmentation

本文提出了一种开放的多中心全身FDG PET/CT基础模型，通过整合四个公开数据集中的4997份标准化扫描，利用层次UNet结构和早期通道拼接实现解剖和代谢特征的交互，提高了肿瘤分割的标签效率和跨模态表征学习能力。

多尺度有监督三维U网在肾脏及肾脏肿瘤分割中的应用

Multi-Scale Supervised 3D U-Net for Kidneys and Kidney Tumor Segmentation

肾脏和肾脏肿瘤的精确分割是放射组学分析以及开发先进手术计划技术的重要步骤。在临床分析中，分割目前由临床医生根据通过计算机断层摄影（CT）扫描收集的视觉检查图像来执行。这一过程是艰苦的，其成功在很大程度上取决于以前的经验。此外，肿瘤位置的不确定性和患者之间扫描的异质性增加了错误率。为了解决这个问题，基于深度学习技术的计算机辅助分割变得越来越流行。我们提出了一个多尺度监督的3D U-Net，MSS U-Net，从CT图像中自动分割肾脏和肾脏肿瘤。我们的架构将深度监督与指数对数损失相结合，以提高3D U-Net的训练效率。此外，我们引入了一个连接组件为基础的后处理方法，以提高整个过程的性能。与使用KiTS 19公共数据集的数据的最新作品相比，该架构显示出优越的性能，肾脏和肿瘤的Dice系数分别高达0.969和0.805。本文介绍的分割技术已经在KiTS 19挑战中使用其相应的数据集进行了测试。

用于计算机断层扫描的视觉基础模型

Vision Foundation Models for Computed Tomography

本研究开发了CT-FM，一种基于148,000次CT扫描预训练的三维视觉基础模型，在分割、分诊、检索和语义理解任务上优于现有模型，并开源以促进放射学AI发展。

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

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。

Mirror U-Net: Marrying Multimodal Fission with Multi-task Learning for Semantic Segmentation in Medical Imaging

Positron Emission Tomography (PET) and Computer Tomography (CT) are routinely used together to detect tumors. PET/CT segmentation models can automate tumor delineation, however, current multimodal models do not fully exploit the complementary information in each modality, as they either concatenate PET and CT data or fuse them at the decision level. To combat this, we propose Mirror U-Net, which replaces traditional fusion methods with multimodal fission by factorizing the multimodal representation into modality-specific branches and an auxiliary multimodal decoder. At these branches, Mirror U…

三层多模态融合：用于脑肿瘤分割的物理驱动数据生成与视觉-语言引导

Multimodal Fusion at Three Tiers: Physics-Driven Data Generation and Vision-Language Guidance for Brain Tumor Segmentation

针对脑肿瘤形态异质与三维空间关系复杂的问题，提出像素、特征、语义三层融合架构，结合物理生成多模态数据、多教师蒸馏与视觉语言引导，在 BraTS 多版本数据集上提升分割精度。

基于肿瘤锚定的深度特征随机森林用于肺癌分割中的分布外检测

Tumor-anchored deep feature random forests for out-of-distribution detection in lung cancer segmentation

本文提出RF-Deep框架，利用深度特征提升CT扫描的分布外检测性能，通过少量标注数据改进分割管道的安全性。

将基础模型应用于混合域数据集以量化肺癌分割中的不确定性

Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets

本研究提出一套快速计算指标，通过在混合域数据集上评估多种自监督学习基础模型对肺癌CT分割的性能，发现SMIT在OOD数据中漏检最少，且熵和体积占用等附加指标有助于更准确理解模型泛化能力。

用于恶性胸膜间皮瘤分割的卷积神经网络：概率图阈值分析（CALGB 30901, Alliance）

Convolutional Neural Networks for Segmentation of Malignant Pleural Mesothelioma: Analysis of Probability Map Thresholds (CALGB 30901, Alliance)

本研究通过VGG16/U-Net CNN分割21例MPM患者的CT图像，分析不同概率阈值对肿瘤体积和DSC的影响，发现无单一阈值可同时优化体积与空间重叠，强调评估CNN分割时需兼顾肿瘤体积和空间区域。

面向肝脏局灶性肿瘤热消融中肝脏运动校正的深度回归2D-3D超声配准

Deep Regression 2D-3D Ultrasound Registration for Liver Motion Correction in Focal Tumor Thermal Ablation

本文提出一种深度回归2D-3D超声配准方法，通过关联不平衡的2D/3D超声特征并采用连续6D旋转表示，在肝脏肿瘤热消融中实现精确且实时的肝脏运动校正，平均欧氏距离误差2.28 mm、测地角误差2.99°，单对图像运行时间仅0.22秒，具备临床转化潜力。

面向快速精准工业计算机断层扫描重建的即插即用2.5D伪影减少先验

Plug-and-Play with 2.5D Artifact Reduction Prior for Fast and Accurate Industrial Computed Tomography Reconstruction

针对稀疏视角工业XCT重建中2D先验性能受限的问题，提出基于2.5D伪影减少CNN的即插即用重建方法，利用层间信息提升重建质量、抑制伪影，实现跨域泛化与更精准的缺陷检测。

深度分割网络预测非小细胞肺癌的生存率

Deep segmentation networks predict survival of non-small cell lung cancer

非小细胞肺癌（NSCLC）占肺癌诊断的约80-85%，是全球癌症相关死亡的主要原因。最近的研究表明，正电子发射断层扫描-计算机断层扫描（PET/CT）图像的基于图像的放射组学特征对NSCLC结局具有预测能力。为此，容易计算的功能特征，如标准摄取值（SUV）和总病变糖酵解（TLG）的最大值和平均值最常用于NSCLC的预测，但其预后价值仍存在争议。与此同时，卷积神经网络（CNN）正迅速成为癌症图像分析的新前提，与其他手工制作的放射组学特征相比，其预测能力显著增强。在这里，我们展示了经过训练的CNN执行肿瘤分割任务，除了医生轮廓之外没有其他信息，识别出一组丰富的与生存相关的图像特征，具有显著的预后价值。在一项针对96例接受立体定向体部放疗（SBRT）的NSCLC患者的回顾性研究中，我们发现，针对PET/CT图像中的肿瘤分割进行训练的CNN分割算法（U-Net）包含与2年和5年总体和疾病特异性生存率具有强相关性的特征。除了医生提供的图像和相应的肿瘤轮廓外，U-net算法没有看到任何其他临床信息（例如生存、年龄、吸烟史）。此外，通过对U-Net的可视化，我们还发现了令人信服的证据，表明进展区域似乎与U-Net特征识别出预测死亡可能性较高的模式的区域相匹配。我们预计我们的研究结果将成为更复杂的非侵入性患者特异性癌症预后确定的起点。

OrthoDoc：用于计算机断层扫描辅助诊断的多模态大语言模型

OrthoDoc: Multimodal Large Language Model for Assisting Diagnosis in Computed Tomography

针对通用大语言模型难精准处理CT复杂纹理、诊断辅助效果受限的问题，研究提出基于12万CT数据训练、带医学知识RAG模块的OrthoDoc多模态大模型，在骨科疾病诊断上优于GPT-4等商用模型，且罕见病例泛化性强。