Skip and Skip: Segmenting Medical Images with Prompts
Academy for Engineering and Technology, Fudan University（复旦大学工程与技术学院）；Engineering Research Center of AI and Robotics, Ministry of Education, China（教育部人工智能与机器人工程研究中心）；Jilin Provincial Key Laboratory of Intelligence Science（吉林省智能科学重点实验室）
针对现有医学图像病灶分割方法依赖像素级标注、忽略海量图像级诊断结果的问题，提出双U形两阶段框架，用图像级标签提示分割，通过长短跳跃融合分类分支层级特征，效果优于仅用像素级标注的网络。
2024-06-21 cs.CV
Sli2Vol+: Segmenting 3D Medical Images Based on an Object Estimation Guided Correspondence Flow Network
University of Notre Dame（圣母大学）；The University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德河谷分校）；University of Iowa（爱荷华大学）
本文提出Sli2Vol+自监督框架，通过目标估计引导的对应流网络学习连续切片间可靠对应关系，仅用单张标注切片即可分割三维医学图像中的任意解剖结构，并在多器官、多模态任务中验证了其泛化能力。
2024-11-21 cs.CV
A Survey of Left Atrial Appendage Segmentation and Analysis in 3D and 4D Medical Images
J. J. Strossmayer University of Osijek（奥西耶克J.J.斯特罗斯马耶大学）；Ghent University（根特大学）；imec（比利时微电子研究中心）
心房颤动（AF）是一种心血管疾病，被认为是卒中的主要危险因素之一。大多数房颤引起的卒中是由起源于左心耳（LAA）的凝块引起的。左心耳封堵术是降低卒中风险的有效手术。使用术前成像和分析计划手术已显示出受益。分析通常通过在2D切片上手动分割附件来完成。自动LAA分割方法可以节省专家的时间，并提供有见地的3D可视化和准确的自动测量，以帮助医疗程序。已经提出了几种半自动和全自动的方法分割的附件。本文综述了3D和4D医学图像（包括CT、MRI和超声心动图图像）上的LAA自动分割方法。我们将方法分为启发式和基于模型的方法，以及半自动和全自动方法。我们总结和比较所提出的方法，评估其有效性，目前在该领域的挑战和方法来克服它们。
2022-05-13 cs.CV eess.IV
Segmenting Medical Images: From UNet to Res-UNet and nnUNet
Brunel University London（布鲁内尔大学伦敦分校）
本文比较了UNet、Res-UNet、Attention Res-UNet和nnUNet在脑肿瘤、息肉及心脏分割任务中的表现，发现nnUNet整体性能最优，尤其在召回率和准确率上表现突出，适合临床应用。
2024-07-05 cs.CV eess.IV
A Novel Momentum-Based Deep Learning Techniques for Medical Image Classification and Segmentation
Northwestern University（西北大学）；IIIT Delhi（德里印度信息技术学院）；NSIT Delhi（德里国家信息技术学院）；Space Research Institute (IWF) of Austrian Academy of Sciences（奥地利科学院空间研究所）
本研究针对医学图像器官分割与疾病分类任务，提出将动量整合进残差块的深度学习方法，在公开基准数据集上多项指标优于现有最优模型，推动医学成像领域发展。
2024-08-11 cs.AI cs.CV cs.LG
Advanced Tumor Segmentation in Medical Imaging: An Ensemble Approach for BraTS 2023 Adult Glioma and Pediatric Tumor Tasks
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Northwestern University（西北大学）
本研究提出一种集成方法，结合SegResNet和MedNeXt模型及后处理，用于BraTS 2023成人胶质瘤和儿科肿瘤分割，在成人胶质瘤任务中获第三名，Dice和HD95分别为0.8313和36.38。
2024-03-14 cs.CV eess.IV
Segmenting Brain Tumors with Symmetry
Princeton University（普林斯顿大学）；Intel Labs（英特尔实验室）
我们探索编码脑对称性到一个神经网络的脑肿瘤分割任务。一个健康的人脑在高抽象层次上是对称的，高层次的不对称部分更有可能是肿瘤区域。更多地关注非对称性有可能提高脑肿瘤分割的性能。我们提出了一种方法来编码到现有的神经网络的大脑对称性，并将该方法应用到一个国家的最先进的神经网络的医学成像分割。我们在来自脑肿瘤分割挑战的数据集上评估了我们的神经网络编码网络，并验证了新模型比原始模型更有效地提取训练图像中的信息。
2017-11-17 cs.CV
PAM: A Propagation-Based Model for Segmenting Any 3D Objects across Multi-Modal Medical Images
National Engineering Laboratory for Big Data Analysis and Applications, Peking University（北京大学国家大数据分析与应用工程实验室）；Beijing International Center for Mathematical Research (BICMR), Peking University（北京国际数学研究中心（BICMR），北京大学）；Center for Data Science, Peking University（北京大学数据科学中心）；Peking University Cancer Hospital and Institute（北京大学肿瘤医院暨肿瘤研究所）；Center for Machine Learning Research, Peking University（北京大学机器学习研究中心）；National Biomedical Imaging Center, Peking University（北京大学国家生物医学成像中心）
本文提出PAM，通过单视图2D提示、UNet与Transformer跨切片传播实现任意3D医学对象分割，在44个数据集上DSC平均提升超18.1%。
2024-10-25 cs.AI cs.CV
Privacy-Net: An Adversarial Approach for Identity-Obfuscated Segmentation of Medical Images
École de Technologie Supérieure（高等技术学院）；Université de Sherbrooke（舍布鲁克大学）
本文提出了一种客户端/服务器的隐私保护网络的背景下，多中心的医学图像分析。我们的方法基于对抗学习，它对图像进行编码以混淆患者身份，同时为目标任务保留足够的信息。我们的新架构由三个组件组成：1）编码器网络，它从输入的医学图像中删除特定于身份的特征，2）一个编码器网络，它试图从编码图像中识别受试者，3）一个医学图像分析网络，它分析编码图像的内容（在我们的情况下是分割）。通过同时欺骗网络和优化医疗分析网络，编码器学会删除隐私特定的功能，同时保留目标任务的要素。我们的方法在从大规模帕金森进展标志物倡议（PPMI）数据集分割大脑MRI的问题上进行了说明。使用来自PPMI的纵向数据，我们证明了该算法可以在获得高度准确的分割结果的同时，严重扭曲输入图像。
2020-11-13 cs.CV eess.IV
Few-shot 3D Multi-modal Medical Image Segmentation using Generative Adversarial Learning
École de technologie Superieure (ETS)（高等技术学院（ETS））；IIT Kharagpur（印度理工学院卡拉格布尔分校）
我们解决的问题，分割三维多模态医学图像的情况下，很少标记的例子可用于训练。利用对抗学习最近在半监督分割方面的成功，我们提出了一种基于生成对抗网络（GANs）的新方法，用标记和未标记图像训练分割模型。该方法通过学习区分由生成器网络获得的真补丁和假补丁来防止过拟合。我们的工作扩展了当前的对抗性学习方法，这些方法专注于2D单模态图像，以适应更具挑战性的多模态3D体积。在从iSEG-2017和MRBrainS 2013数据集分割脑MRI的问题上评估所提出的方法。显着的性能改进的报告，相比，在完全监督的方式训练的最先进的分割网络。此外，我们的工作还对不同的GAN架构进行了全面的分析，用于半监督分割，显示了最近的技术，如特征匹配，以产生比传统对抗训练方法更高的性能。我们的代码可在https://github.com/arnab39/FewShot_GAN-Unet3D上公开获取
2018-10-29 cs.CV
RadSAM: Segmenting 3D radiological images with a 2D promptable model
Raidium；Université de Paris Cité（巴黎大学）；AP-HP（法国国家卫生与医学研究院）；Hôpital Européen Georges Pompidou（欧仁·蓬皮杜医院）；Department of Vascular and Oncological Interventional Radiology（血管和肿瘤介入放射科）；HEKA INRIA；INSERM PARCC U 970（法国国家医学研究院 PARCC U 970）
提出RadSAM方法，通过使用噪声掩码等作为提示训练2D模型并结合迭代推理，实现从单个提示分割3D医学图像对象，并在新基准上验证了其优越性。
2025-04-29 cs.AI cs.CV cs.LG
CaraNet: Context Axial Reverse Attention Network for Segmentation of Small Medical Objects
Vanderbilt University（范德堡大学）；The George Washington University（乔治华盛顿大学）；Korea University（高丽大学）
准确、可靠地分割医学图像对于疾病的诊断和治疗具有重要意义。这是一个具有挑战性的任务，因为各种各样的对象的大小，形状和扫描方式。最近，许多卷积神经网络（CNN）已被设计用于分割任务，并取得了巨大的成功。然而，很少有研究充分考虑了对象的大小，因此大多数小对象分割表现不佳。这可能对疾病的早期发现产生重大影响。本文提出了一种上下文轴向保留注意力网络（CaraNet），以提高小对象的分割性能相比，最近的几个国家的最先进的模型。我们在脑肿瘤（BraTS 2018）和息肉（Kvasir-SEG，CVC-ColonDB，CVC-ClinicDB，CVC-300和ETIS-LaribPolypDB）分割数据集上测试了CaraNet。我们的CaraNet达到了顶级的平均骰子分割精度，结果显示CaraNet在分割小的医学对象方面具有明显的优势。
2022-01-13 cs.CV eess.IV
Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Images for Segmentation
Macquarie University（麦考瑞大学）；University of Technology Sydney（悉尼科技大学）；The University of Sydney（悉尼大学）
肿瘤的自动分割是医学图像分析和计算机辅助诊断的关键步骤。虽然现有的基于卷积神经网络（CNN）的方法已经达到了最先进的性能，但在医学肿瘤分割中仍然存在许多挑战。这是因为常规CNN只能利用平移不变性，而忽略了医学图像中存在的其他固有对称性，如旋转和反射。为了克服这一缺点，我们提出了一种新的组等变分割框架，通过编码这些固有的对称性来学习更精确的表示。首先，在每个方向上设计了基于核的同变运算，可以有效地解决现有方法中学习对称性的差距。然后，为了保持分割网络全局等变，我们设计了具有逐层对称约束的独特组层。通过利用进一步的对称性，新的分割CNN可以大大降低样本复杂度和滤波器的冗余度（大约2/3）。更重要的是，基于我们的新框架，我们证明了新构建的GER-UNet在现实世界的临床数据上优于其常规的基于CNN的同行和最先进的分割方法。具体来说，我们的分割框架的组层可以无缝集成到任何流行的基于CNN的分割架构中。
2020-05-08 cs.CV cs.LG eess.IV
Deep evidential fusion with uncertainty quantification and contextual discounting for multimodal medical image segmentation
Université de technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Université de Rouen Normandie（鲁昂诺曼底大学）；Centre Henri Becquerel（亨利·贝克勒尔中心）；Institut universitaire de France（法国大学研究院）
针对单模态医学图像信息不足的问题，提出结合深度学习与Dempster-Shafer证据理论、带上下文折扣的多模态分割融合框架，经两类医学数据集验证，其准确率与可靠性优于现有最优方法。
2024-08-19 cs.CV eess.IV
Landmark Detection for Medical Images using a General-purpose Segmentation Model
University of Vienna（维也纳大学）；Orthopaedic Hospital Speising（骨科医院Speising）；University of Leeds（利兹大学）
本文提出结合YOLO和SAM模型，用于提高骨科骨盆放射影像中解剖标志物和复杂轮廓的分割精度。
2026-02-20 cs.AI cs.CV eess.IV
Federated Medical Image Classification under Class and Domain Imbalance exploiting Synthetic Sample Generation
University of Padova（帕多瓦大学）；NIDEK Technologies Srl（NIDEK技术公司）
本文提出FedSSG框架，通过生成合成样本解决医学图像分类中的类别和领域不平衡问题，提升模型性能和泛化能力。
2026-04-29 cs.CV
CaraNet: Context Axial Reverse Attention Network for Segmentation of Small Medical Objects
Vanderbilt University（范德比尔特大学）；The George Washington University（乔治华盛顿大学）
准确、可靠地分割医学图像对于疾病的诊断和治疗具有重要意义。这是一个具有挑战性的任务，因为各种各样的对象的大小，形状和扫描方式。最近，许多卷积神经网络（CNN）已被设计用于分割任务，并取得了巨大的成功。然而，很少有研究充分考虑了对象的大小，因此大多数小对象分割表现不佳。这可能对疾病的早期发现产生重大影响。本文提出了一种上下文轴向反向注意力网络（CaraNet），以提高小对象的分割性能相比，最近几个国家的最先进的模型。CaraNet采用轴向保留注意（ARA）和通道特征金字塔（CFP）模块挖掘医学小目标的特征信息。我们通过六个不同的测量指标来评估我们的模型。我们在脑肿瘤（BraTS 2018）和息肉（Kvasir-SEG，CVC-ColonDB，CVC-ClinicDB，CVC-300和ETIS-LaribPolypDB）分割数据集上测试了CaraNet。我们的CaraNet达到了顶级的平均骰子分割精度，结果显示CaraNet在分割小的医学对象方面具有明显的优势。
2023-01-31 cs.CV eess.IV
DC-UNet: Rethinking the U-Net Architecture with Dual Channel Efficient CNN for Medical Images Segmentation
The George Washington University Medical Center（乔治华盛顿大学医学中心）
最近，深度学习在计算机视觉领域变得越来越流行。卷积神经网络（CNN）在图像分割领域，特别是医学图像分割领域取得了突破性进展。在这方面，U-Net是医学图像分割任务的主要方法。U-Net不仅在多模态医学图像分割方面表现良好，而且在一些棘手的情况下也表现良好。然而，我们发现，经典的U-Net架构在几个方面有局限性。因此，我们应用修改：1）设计高效的CNN架构来代替编码器和解码器，2）应用残差模块来代替编码器和解码器之间的跳过连接，以基于最先进的U-Net模型进行改进。在这些修改之后，我们设计了一种新的架构-DC-UNet，作为U-Net架构的潜在继承者。我们创建了一个新的有效的CNN架构，并建立了DC-UNet基于此CNN。我们在三个具有困难情况的数据集上评估了我们的模型，与经典的U-Net相比，性能分别提高了2.90%，1.49%和11.42%。此外，我们使用Tanimoto相似性来代替Jaccard相似性进行灰度图像比较。
2020-05-31 cs.CV eess.IV
A Novel Deep Learning Method for Segmenting the Left Ventricle in Cardiac Cine MRI
Dept. of Computer Science, University of Houston-Victoria, Victoria, USA.（计算机科学系，休斯顿-维克托利亚大学，维克托利亚，美国）
本研究提出GBU-Net，一种基于组批归一化U-Net的新型深度学习方法，用于提高心脏cine MRI中左心室分割的精度和上下文理解能力。
2026-01-04 cs.CV cs.LG
SAM3D: Segment Anything Model in Volumetric Medical Images
University of Arkansas（阿肯色大学）；University of Science, Vietnam National University（越南国家大学科学大学）；John von Neumann Institute, Vietnam National University（越南国家大学约翰·冯·诺依曼研究所）；West Virginia University（西弗吉尼亚大学）；University of Arkansas for Medical Sciences（阿肯色医科大学）
本研究针对现有SAM类方法处理3D医学容积数据需拆分2D切片的局限，提出统一处理全3D体数据的SAM3D模型，在多数据集上实现与前沿方法相当的分割精度且参数量效率更高。
2024-03-05 cs.CV eess.IV
CAT: Coordinating Anatomical-Textual Prompts for Multi-Organ and Tumor Segmentation
Qing Yuan Research Institute, Shanghai Jiao Tong University（上海交通大学清源研究院）；Shanghai AI Laboratory（上海人工智能实验室）
针对医学图像分割中单一提示难以应对肿瘤等异常的问题，提出协调解剖与文本双提示的CAT模型，通过ShareRefiner协同两类提示，在多数据集上实现多器官与肿瘤分割的优越性能。
2024-10-31 cs.CV
Utilizing Segment Anything Model For Assessing Localization of GRAD-CAM in Medical Imaging
University of California, Santa Cruz（加州大学圣克鲁兹分校）
提出利用 Segment Anything Model (SAM) 评估医学影像中 GRAD-CAM 的显著性图定位，提高现有指标准确性并摆脱对人类标注的依赖，同时探索了 SAM 在医学领域的应用与挑战。
2023-06-24 cs.CV eess.IV
Med-DANet: Dynamic Architecture Network for Efficient Medical Volumetric Segmentation
University of Science and Technology Beijing（北京科技大学）；University of Central Florida（中佛罗里达大学）
对于3D医学图像（例如CT和MRI）分割，在临床病例中分割每个切片的难度变化很大。以往的逐层分割医学图像的研究通常使用相同的2D深度神经网络来分割同一病例的所有切片，忽略了图像切片之间的数据异质性。本文针对多模态3D MRI脑肿瘤分割问题，提出了一种基于自适应模型选择的动态结构Med-DANet网络，实现了有效的准确率和效率的折衷。对于输入的3D MRI体积的每个切片，我们提出的方法通过决策网络学习切片特定的决策，以从预定义的模型库中动态选择合适的模型用于后续的2D分割任务。在BraTS 2019和2020数据集上进行的大量实验结果表明，我们提出的方法比以前的3D MRI脑肿瘤分割方法具有更低的模型复杂度，可以获得相当或更好的结果。与最先进的3D方法TransBTS相比，该框架在不牺牲精度的情况下将模型效率提高了3.5倍。我们的代码将很快公开。
2022-07-11 cs.CV eess.IV
Reducing Annotation Burden: Exploiting Image Knowledge for Few-Shot Medical Video Object Segmentation via Spatiotemporal Consistency Relearning
MedAI Technology (Wuxi) Co. Ltd.（MedAI科技（无锡）有限公司）；Technical University of Munich（慕尼黑工业大学）
针对医学视频标注稀缺问题，提出两阶段框架，先利用标注图像训练少样本分割模型，再通过时空一致性再学习及特征、预测层约束提升性能，在低数据场景下实现优于现有方法的医学视频分割效果。
2025-03-19 cs.CV
Tubular Shape Aware Data Generation for Semantic Segmentation in Medical Imaging
Philips Research（飞利浦研究院）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Philips GmbH Innovative Technologies（飞利浦创新技术有限公司）
胸部X光是人体最广泛的检查之一。在介入放射学中，它的使用经常与可视化各种管状物体的需要相关联，例如穿刺针、引导鞘、导线和导管。因此，X射线图像中这些管状物体的检测和精确定位具有最大的价值，促进了精确的目标特定分割算法的发展。与其他医学成像任务类似，管的手动逐像素注释是一个消耗资源的过程。在这项工作中，我们的目标是通过使用人工数据来减轻注释图像的缺乏。具体来说，我们提出了一种用于管状对象的合成数据生成的方法，其中生成对抗网络使用先验形状约束进行正则化。我们的方法不需要成对的图像-掩模数据，只需要一个弱标记的数据集（10- 20张图像），以达到完全监督模型的准确性。我们报告的适用性的方法分割管和导管的X射线图像的任务，而结果也应该持有其他成像方式。
2020-12-07 cs.CV eess.IV
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}。
2022-12-19 cs.CV eess.IV
EchoONE: Segmenting Multiple echocardiography Planes in One Model
Shenzhen University（深圳大学）
本文提出EchoONE，通过SAM架构、PC-Mask模块和LFFA模块，首次在单一模型中解决超声心动图多切面分割问题，并在多源数据集上取得最先进性能。
2025-04-09 cs.CV
How Reliable Are Out-of-Distribution Generalization Methods for Medical Image Segmentation?
Technical University of Darmstadt（达姆施塔特工业大学）
深度学习的最新成就依赖于测试数据与训练数据的分布相似。在理想情况下，深度学习模型将实现分布外（OoD）泛化，即可靠地对分布外数据进行预测。然而，在实践中，当面临分布的变化时，模型通常无法很好地推广。因此，设计了几种方法来提高通过基于正则化或域预测的方案由模型学习的特征的鲁棒性。分割医学图像，如海马的MRI，对于神经精神疾病的诊断和治疗至关重要。但是这些脑图像经常由于患者的年龄和影响器官形状的各种病理而遭受分布偏移。在这项工作中，我们使用全监督和半监督训练来评估MR数据中海马分割问题的OoD泛化解决方案。我们发现，没有一种方法在所有的实验中都是可靠的。只有V-REx的损失突出，因为它仍然很容易调整，而在大多数情况下，它的性能优于标准的U-Net。
2021-09-03 cs.CV cs.LG eess.IV
Cross-Domain Medical Image Translation by Shared Latent Gaussian Mixture Model
National Institutes of Health（美国国立卫生研究院）；University of Wisconsin（威斯康星大学）
由于训练数据不足，目前基于深度学习的分割模型在领域之间的泛化能力往往很差。在现实世界的临床应用中，跨域图像分析工具的需求很高，因为通常需要来自不同领域的医学图像来实现精确的诊断。放射学中的一个重要例子是从非造影CT推广到造影增强CT。不同阶段的对比增强CT扫描用于增强某些病理或器官。许多现有的跨域图像到图像转换模型已经被证明可以改善大器官的跨域分割。然而，这样的模型缺乏在平移过程中保留精细结构的能力，这对于许多临床应用是重要的，例如分割主动脉和骨盆动脉中的小钙化斑块。为了在医学图像翻译过程中保持精细结构，我们提出了一种基于块的模型，使用共享的潜在变量从高斯混合模型。我们将我们的图像翻译框架与几种最先进的跨域图像翻译方法进行了比较，并表明我们的模型在保留精细结构方面做得更好。我们的模型的优越性能进行了验证，通过执行两个任务与翻译的图像-检测和分割的主动脉斑块和胰腺分割。我们希望我们的框架的效用将扩展到分割以外的其他问题，由于生成的图像的质量提高和增强的能力，以保持小结构。
2020-07-14 cs.CV eess.IV
Empowering Medical Imaging with Artificial Intelligence: A Review of Machine Learning Approaches for the Detection, and Segmentation of COVID-19 Using Radiographic and Tomographic Images
本文综述了利用机器学习对CT和X射线影像进行COVID-19检测、分类与分割的方法，强调其在辅助放射科医生精准诊断和提升效率方面的作用，并展望该技术在医疗领域持续推动疫情管理的潜力。
2024-01-13 cs.CV eess.IV
RefSAM3D: Adapting SAM with Cross-modal Reference for 3D Medical Image Segmentation
Nanjing Drum Tower Hospital, Nanjing University（南京大学医学院附属鼓楼医院）
针对SAM难以适配3D医学影像的问题，提出RefSAM3D模型，通过3D适配器、跨模态参考提示、分层注意力等改进，在多数据集上实现了优于现有方法的3D医学图像分割性能。
2024-12-07 cs.CV
Feature Quality and Adaptability of Medical Foundation Models: A Comparative Evaluation for Radiographic Classification and Segmentation
Emory University（埃默里大学）；Mayo Clinic（梅奥诊所）；University of Ilorin（伊洛林大学）；Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）
本研究对比8类医学与通用域基础模型在胸部X线分类、分割任务上的表现，明确医学预训练的优势与局限，指出预训练特征对细微病灶定位存在缺陷，有监督基线仍具强竞争力。
2025-11-12 cs.AI cs.CV
Left Ventricle Segmentation in Cardiac MR Images Using Fully Convolutional Network
Isfahan University of Technology（伊斯法罕理工大学）；University of Michigan（密歇根大学）
医学图像分析，特别是分割特定器官，在开发临床决策支持系统中具有重要作用。在心脏磁共振（MR）成像中，分割左心室和右心室有助于医生诊断不同的心脏异常。这项任务面临着挑战，包括左心室和其他器官之间的强度和形状相似性，边界不准确以及大多数图像中存在噪声。在本文中，我们提出了一种自动化的方法分割心脏MR图像中的左心室。我们首先自动提取感兴趣的区域，然后将其用作全卷积网络的输入。我们训练网络准确，尽管与整个图像相比，左心室像素的数量很少。在我们提出的后处理阶段中，对全卷积网络的输出图进行处理，并根据其圆度选择区域。通过在York心脏图像数据集上的应用，我们的方法的Dice得分达到87.24%。
2018-02-21 cs.CV
Learning and Exploiting Interclass Visual Correlations for Medical Image Classification
Tencent Jarvis Lab（腾讯Jarvis实验室）
基于深度神经网络的医学图像分类通常使用“硬”标签进行训练，其中正确类别的概率为1，其他类别的概率为0。然而，这些硬目标可能会使网络对自己的预测过于自信，并且容易过拟合训练数据，影响模型的泛化和自适应。研究表明，标签平滑和软化可以提高分类性能。然而，现有的方法要么是非数据驱动的，要么适用性有限。在本文中，我们提出了类相关学习网络（CCL-Net），从给定的训练数据学习类间视觉相关性，并产生软标签，以帮助分类任务。我们不是让网络直接学习所需的相关性，而是建议通过使用轻量级插件CCL块对特定于类的嵌入进行距离度量学习来隐式地学习它们。一个直观的损失的基础上的相关性的几何解释的设计支持学习的类间相关性。我们进一步将所提出的CCL块作为插件头与分类骨干一起进行端到端训练，同时动态生成软标签。我们在国际皮肤成像合作组织2018数据集上的实验结果证明了从训练数据中有效学习类间相关性，以及在几种广泛使用的现代网络结构上使用CCL块的性能持续改进。
2020-07-13 cs.CV
Reducing Textural Bias Improves Robustness of Deep Segmentation Models
Imperial College London（帝国理工学院）
尽管深度学习取得了进展，但域转移下的鲁棒性仍然是医学成像环境中的主要瓶颈。对自然图像的研究结果表明，深度神经模型在执行图像分类任务时可能会表现出强烈的纹理偏见。在这项彻底的实证研究中，我们从自然图像的发现中汲取灵感，并研究了解决纹理偏差现象的方法，这些方法可以在应用于三维（3D）医学数据时提高深度分割模型的鲁棒性。为了实现这一目标，来自开发人类连接组项目的公开可用的MRI扫描被用于研究模拟纹理噪声可以在复杂的语义分割任务中帮助训练鲁棒模型的方法。我们贡献了一个广泛的实证研究，包括176个实验，并说明了如何在训练之前应用特定类型的模拟纹理噪声可以导致纹理不变模型，从而提高了分割扫描时的鲁棒性损坏以前看不见的噪声类型和水平。
2021-06-27 cs.CV eess.IV
Exploiting Intermediate Reconstructions in Optical Coherence Tomography for Test-Time Adaption of Medical Image Segmentation
Medical University of Vienna（维也纳医科大学）
本文提出IRTTA方法，利用光学相干断层扫描中的中间重建信息，在测试时间适应医疗图像分割，提升分割性能并实现语义不确定性估计。
2026-03-05 cs.CV
Data augmentation using learned transformations for one-shot medical image segmentation
MIT（麻省理工学院）；MGH（麻省总医院）
图像分割是许多医学应用中的重要任务。基于卷积神经网络的方法达到了最先进的精度;然而，它们通常依赖于大型标记数据集的监督训练。标记医学图像需要大量的专业知识和时间，并且用于数据增强的典型的手动调整方法无法捕获这种图像中的复杂变化。我们提出了一个自动化的数据增强方法合成标记的医学图像。我们证明了我们的方法分割磁共振成像（MRI）脑扫描的任务。我们的方法只需要一个分段扫描，并利用其他未标记的扫描在半监督的方法。我们从图像中学习一个变换模型，并使用该模型和标记的示例来合成其他标记的示例。每个变换由空间变形场和强度变化组成，能够合成复杂的效果，例如解剖结构和图像采集过程中的变化。我们表明，用这些新的例子训练一个监督分割器，比最先进的一次性生物医学图像分割方法有了显着的改进。我们的代码可在https://github.com/xamyzhao/brainstorm上获得。
2019-04-06 cs.CV
Finding novelty with uncertainty
Johns Hopkins University（约翰斯·霍普金斯大学）；Sigma Technologies（12西格玛科技）；Johns Hopkins School of Medicine（约翰斯·霍普金斯医学院）
医学图像通常用于检测和表征病理和疾病;然而，自动识别和分割医学图像中的病理是具有挑战性的，因为不同疾病的病理表现差异很大。为了应对这一挑战，我们提出了一种贝叶斯深度学习方法，该方法可以学习将健康的计算机断层扫描图像转换为磁共振图像，并同时计算体素不确定性。由于高不确定性发生在图像的病理区域，这种不确定性可以用于无监督的异常分割。我们在无监督的异常分割任务上显示了令人鼓舞的实验结果，将两种类型的不确定性结合到一个新的量中，我们称之为scibilic不确定性。
2020-02-11 cs.CV cs.LG eess.IV
SAM-U: Multi-box prompts triggered uncertainty estimation for reliable SAM in medical image
Sichuan University（四川大学）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）
本文提出 SAM-U 方法，通过多框提示触发蒙特卡洛不确定性估计，在提升医学图像分割性能的同时为每个像素提供可靠性度量，首次建立了可靠 SAM 的范式。
2023-07-11 cs.CV
CM-MLP: Cascade Multi-scale MLP with Axial Context Relation Encoder for Edge Segmentation of Medical Image
Zhengzhou University（郑州大学）；Henan Institute of Advanced Technology（河南先进技术研究院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Suining Central Hospital（遂宁市中心医院）；Hwa Mei Hospital, University of Chinese Academy of Sciences（中国科学院大学华美医院）；The University of Sydney（悉尼大学）；NanChang University（南昌大学）；University of Electronic Science and Technology of China（电子科技大学）
基于卷积的方法在医学图像分割任务中提供了良好的分割性能。然而，这些方法在处理医学图像的边缘时存在以下问题：（1）以往的基于卷积的方法没有关注分割边缘周围的前景和背景之间的边界关系，导致当边缘变化复杂时分割性能下降。(2)卷积层的感应偏置不能适应复杂的边缘变化和多个分割区域的聚合，导致其性能改进主要限于分割分割区域的主体而不是边缘。为了解决这些问题，我们提出了CM-MLP框架MFI（多尺度特征交互）块和ACRE（轴向上下文关系编码器）块的医学图像边缘的准确分割。在MFI模块中，我们提出了级联多尺度MLP（Cascade MLP）来同时处理来自网络深层的所有局部信息，并利用级联多尺度机制逐渐融合离散的局部信息。然后，使用ACRE块使深度监督集中于探索前景和背景之间的边界关系，以修改医学图像的边缘。我们提出的CM-MLP框架在三个基准数据集上的分割准确率（Dice）分别达到96.96%，96.76%和82.54%：CVC-ClinicDB数据集，子Kvasir数据集和我们的内部数据集，这显着优于最先进的方法。源代码和训练模型将在https://github.com/ProgrammerHyy/CM-MLP上提供。
2022-08-23 cs.CV eess.IV
FMG-Net and W-Net: Multigrid Inspired Deep Learning Architectures For Medical Imaging Segmentation
Rice University（莱斯大学）；The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）
针对医学影像分割中细尺度特征和尺度变化难题，提出融合几何多重网格原理的FMG-Net和W-Net架构，在BraTS 2020上优于U-Net，提升肿瘤亚区分割精度与训练效率。
2023-11-10 cs.CV cs.LG eess.IV
SegBook: A Simple Baseline and Cookbook for Volumetric Medical Image Segmentation
Shanghai AI Laboratory（上海人工智能实验室）；Xiamen University（厦门大学）；East China Normal University（华东师范大学）；University of Cambridge（剑桥大学）；Stanford University（斯坦福大学）
本文收集87个多模态、多目标、多规模的公开数据集，系统评估全身CT预训练STU-Net在体积医学分割中的迁移能力，揭示数据集规模瓶颈效应，并证明其在跨模态和病灶检测中的有效性。
2024-11-21 cs.CV eess.IV
Transforming the Interactive Segmentation for Medical Imaging
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Laboratory（上海人工智能实验室）
本文的目标是交互式地改进自动分割的挑战性结构，这些结构落后于人类的表现，无论是由于可用注释的稀缺性还是问题本身的困难性，例如，分割癌症或小器官。具体来说，我们提出了一种新的基于变压器的交互式分割（TIS）的架构，它把细化任务作为一个程序，用于分组像素具有类似的功能，这些点击由最终用户。我们提出的架构是由Transformer Decoder的变种，自然履行功能比较与注意力机制。与现有的方法相比，我们提出的TIS不限于二进制分割，并允许用户编辑任意数量的类别的掩模。为了验证所提出的方法，我们在三个具有挑战性的数据集上进行了广泛的实验，并证明了优于现有最先进方法的性能。该项目的页面是：https://wtliu7.github.io/tis/。
2022-10-27 cs.CV
Self-supervised TransUNet for Ultrasound regional segmentation of the distal radius in children
University of Alberta（阿尔伯塔大学）
本文研究将SSL-MAE自监督方法应用于TransUNet以分割儿童腕部超声骨性区域，发现改进嵌入与损失函数可提升下游性能，但仅预训练嵌入和编码器反而不如不预训练。
2023-09-18 cs.CV eess.IV
Does image resolution impact chest X-ray based fine-grained Tuberculosis-consistent lesion segmentation?
National Library of Medicine, National Institutes of Health（美国国立医学图书馆，美国国立卫生研究院）
深度学习（DL）模型在分割医学图像中的解剖和疾病感兴趣区域（ROI）方面是最先进的。特别地，已经使用胸部X射线（CXR）报道了大量基于DL的技术。然而，据报道，由于缺乏计算资源的原因，这些模型是在降低的图像分辨率上训练的。文献很少讨论最佳图像分辨率，以训练这些模型分割CXR中的结核病（TB）一致性病变。在这项研究中，我们研究了性能变化，使用Inception-V3 UNet模型，使用各种图像分辨率与/不与肺ROI裁剪和纵横比调整，和（ii）确定了最佳的图像分辨率，通过广泛的经验评估，以提高TB一致的病变分割性能。我们使用深圳CXR数据集进行研究，其中包括326名正常患者和336名结核病患者。我们提出了一种组合方法，包括存储模型快照，优化分割阈值和测试时间增强（TTA），并平均快照预测，以进一步提高性能的最佳分辨率。我们的实验结果表明，更高的图像分辨率并不总是必要的，但是，确定最佳图像分辨率是实现卓越性能的关键。
2023-01-27 cs.CV eess.IV
Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer
Dongguk University（东国大学）
本文提出扩散Transformer分割模型DTS，结合k近邻标签平滑、反向边界注意力和形态学驱动的自监督学习，以提升噪声下医学图像分割的鲁棒性和复杂结构识别能力，并在CT、MRI及病变图像上优于已有方法。
2024-09-01 cs.AI cs.CV
Anomaly Detection in Medical Imaging -- A Mini Review
Salzburg University of Applied Sciences（萨尔茨堡应用技术大学）；University of Salzburg（萨尔茨堡大学）
本文综述120篇医学影像异常检测论文，归纳应用、结果与经验，指出研究重点在于减少标注依赖，并展示向OCT和胸部X光等领域拓展的潜力。
2024-12-02 cs.CV cs.LG eess.IV
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。
2025-06-06 cs.CV cs.NA math.NA
MulModSeg: Enhancing Unpaired Multi-Modal Medical Image Segmentation with Modality-Conditioned Text Embedding and Alternating Training
Wayne State University（韦恩州立大学）；Henry Ford Health（亨利福特医疗集团）；Cedars Sinai Medical Center（西达赛奈医疗中心）
针对医学图像分割在多模态异质性下需配对图像、单模态训练泛化差及多模态融合需大幅修改模型的问题，提出MulModSeg策略，通过模态条件文本嵌入框架和交替训练，在无配对CT、MR图像分割任务中持续优于现有方法。
2024-11-23 cs.CV eess.IV
Multi-Modal Evaluation Approach for Medical Image Segmentation
LIPN-UMR-CNRS 7030（法国国家科学研究中心7030联合研究单元LIPN实验室）；Sorbonne University Paris Nord（巴黎北索邦大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）；Laboratory of Images, Signals and Intelligent Systems（图像、信号与智能系统实验室）；Université Paris-Est Créteil（巴黎东克雷泰伊大学）
医学图像的手动分割（例如，在CT扫描中分割肿瘤）是一项高工作量的任务，可以用机器学习技术来加速。然而，选择正确的分割方法取决于评价函数，特别是在医学图像分割中，我们必须处理体素之间的依赖性。例如，与预测正确或不正确的经典系统相反，医学图像分割中的预测可能同时部分正确和不正确。在本文中，我们探索这种表现力提取这些系统的有用属性，并正式定义了一种新的多模态评估（MME）方法来衡量不同分割方法的有效性。该方法通过引入新的相关和可解释的特征，包括检测属性、边界对齐、均匀性、总体积和相对体积，来改进分割评估。我们提出的方法是开源的，可公开使用。我们已经进行了几个可重复的实验，包括胰腺，肝脏肿瘤和多器官数据集的分割，以显示所提出的方法的适用性。
2023-02-08 cs.AI cs.CV
A Novel Automated Classification and Segmentation for COVID-19 using 3D CT Scans
National Heart and Lung Institute, Imperial College London（帝国理工学院国家心肺研究所）；Cardiovascular Research Centre, Royal Brompton Hospital（皇家布朗普顿医院心血管研究中心）
基于深度学习的医学图像分类和分割是当前COVID-19变异病毒诊断的紧急研究课题。在COVID-19肺部计算机断层扫描（CT）图像中，毛玻璃样混浊是最常见的发现，需要专家诊断。基于这种情况，一些研究者提出了相关的DL模型，可以在缺乏专业知识的情况下替代临床上的专业诊断专家。然而，尽管DL方法在医学图像处理中具有惊人的性能，但有限的数据集在开发人类水平的诊断准确性方面可能是一个挑战。此外，深度学习算法面临着在三维甚至多维中对医学图像进行分类和分割并保持高准确率的挑战。因此，在保证高精度的情况下，我们的模型可以将患者的CT图像分为三种类型：正常，肺炎和COVID。随后，使用两个数据集进行分割，其中一个数据集甚至只有有限的数据量（20例）。该系统将分类模型和分割模型相结合，基于ResNet 50和3D U-Net算法建立了一个完整的诊断模型。通过输入不同的数据集，根据分类结果对疫区的COVID图像进行分割。我们的模型在3种类型的肺部病变分类中达到了94.52%的准确率：COVID，肺炎和正常。对于未来的医疗用途，将该模型嵌入医疗设施可能是辅助或替代医生进行诊断的有效方法，因此，在COVID-19情况下更广泛的变异病毒问题也可能得到成功解决。
2022-08-04 cs.CV eess.IV
Investigations of the Influences of a CNN's Receptive Field on Segmentation of Subnuclei of Bilateral Amygdalae
University of Nottingham Ningbo China（宁波诺丁汉大学）；School of Computer Science（计算机学院）
具有各种尺寸的对象的分割在医学成像中相对较少探索，并且通常在计算机视觉任务中具有非常大的挑战性。我们假设深度模型的感受野与待分割对象的大小密切对应，这可能严重影响具有不同大小的对象的分割精度。在这项研究中，我们采用“AmygNet”，一个双分支全卷积神经网络（FCNN），具有两个不同大小的感受野，研究感受野分割双侧杏仁核的四个主要亚核的影响。实验在14名受试者上进行，这些受试者都是三维MRI人脑图像。由于不同亚核群的尺度不同，通过考察各亚核群对不同尺度的感受野的准确性，可以发现哪种感受野适合于哪种尺度的对象。在给定的条件下，具有多个感受野的AmygNet在分割不同大小的对象方面具有很大的潜力。
2019-11-07 cs.CV cs.LG eess.IV
Exploiting DINOv3-Based Self-Supervised Features for Robust Few-Shot Medical Image Segmentation
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；University of Pennsylvania（宾夕法尼亚大学）
本文提出DINO-AugSeg框架，利用DINOv3特征结合小波域增强和上下文融合，提升小样本医学图像分割的鲁棒性。
2026-01-12 cs.CE cs.CL cs.CV
Exploiting Causality Signals in Medical Images: A Pilot Study with Empirical Results
Department of Information Engineering, University of Pisa（比萨大学信息工程系）
提出一种结合卷积神经网络主干和因果因子提取器模块的新方法，通过从医学图像中提取弱因果信号来增强特征图，在前列腺MRI和乳腺癌组织病理学数据集上验证了其能有效提升分类性能与预测鲁棒性。
2024-01-02 cs.AI cs.CV
