本研究提出PNN-UNet方法，通过模拟平面神经网络结构处理三维医学图像数据，解决了分割准确性不足的问题。PNN-UNet结合深度UNet和广度UNet结构，性能优于传统UNet，尤其在三维MRI海马体数据集上表现突出，具有显著应用潜力。

本研究提出了一种新方法，解决半监督三维医学图像分割中标注与未标注数据的有效利用问题。通过协作矫正学习网络生成高质量伪标签，并引入动态交互模块，提升了伪标签的准确性和模型的分类能力。实验结果表明，该方法在三种公共数据集上优于现有技术，具有良好的推广潜力。

MedGen3D框架生成带医学掩模的逼真三维医学图像，通过多标签掩模序列和条件多条件扩散概率模型处理，为下游分割任务提供有价值的数据。

本研究提出了一种基于深度编码 - 解码架构的全自动算法，用于自动分割三维医学图像中的主动脉。该算法通过数据预处理和增强来解决低数据量情况下的主动脉分割问题，并在测试中获得了较高的稳定性和 Dice 分数。

本文介绍了一种基于学习的算法，用于三维医学图像的变形和匹配。该算法使用卷积神经网络模型和空间变换层，能够快速计算新的扫描成像时的配准场，无需监督信息。该算法能够在不破坏匹配场平滑性的前提下，底层地在一张图像中重构另一张图像，并能够显著加速医学图像分析和处理管道的速度。