本研究提出了一种基于人工智能的肾脏异常分割算法，旨在提高临床评估的客观性。该算法经过验证，能够在不同患者中保持高性能，从而增强肾脏疾病的评估和诊断能力。

本文介绍了一种高效的三维RGBD点云分割算法，结合深度、颜色和时间信息，提升了分割效果并具备增量处理能力。提出的Depth-aware CNN方法和Point-GCC框架增强了几何信息的处理能力，改善了语义分割和图像上色的质量。RecolorCloud工具通过自动重着色解决颜色冲突，InterPCSeg框架实现了高质量的语义标注。

本文介绍了多个研究中心的腰椎MRI数据集及其分割算法，提出了VerseDiff-UNet和VertDetect等模型，显著提高了脊椎医学图像的分割准确性。结合形状先验和新技术，实现了对脊柱肿瘤的高效分割与定位，推动了临床决策的改进。

本研究提出了一种基于改进注意力 U-Net 架构的算法，用于腰椎 3D MRI 数据的全景分割，准确率达到 99.5%。该算法通过 DI2IN 初始化，结合聚类方法和稀疏性约束进行优化，表现出良好的性能。研究使用了包含 218 名患者的 MRI 数据集，并比较了不同分割算法的效果。

本文提出了一种基于卷积神经网络和注意力机制的语言驱动分割方法，显著改善了肺部疾病，尤其是 COVID-19 CT 影像的分割效果。研究展示了多种深度学习模型的应用，包括自动分割算法和无监督领域自适应，提升了分类准确性和定位精度，为肺部疾病的量化诊断提供了新思路。

本文介绍了在华为云平台上开发轻量级目标检测与分割算法的过程，使用LinkNet作为主干网络，并进行梯度裁剪。云端训练完成后，使用ONNXRuntime进行推理，端侧使用ModelBox开发套件进行推理。总结了项目的工程化过程，并提到了模型量化和优化算法的改进。

该文章介绍了一种利用深度条件形状模型的新型分割算法，通过学习模态不可知形状模型生成有符号距离函数，解剖标志物对形状进行拟合和细化网络捕捉细节。该算法在心脏左室分割问题上表现优异，自动化算法在非对比度 CT 上优于基准结果，添加细化后性能显著改善，用户输入标志物的半自动化算法在全部模态下的Dice指数均超过92%。

该文介绍了一种新型分割算法，利用深度条件形状模型作为核心组件，通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型。该算法在多种3D模态下的心脏左室分割问题上进行评估，自动化的DCSM在非对比度CT上表现优于基准结果，在对比度CT和3DE上添加细化后性能得到显著改善，而用户输入标志物的半自动化DCSM在全部模态下的Dice指数均超过92%。

本文介绍了Liver Tumor Segmentation Benchmark（LiTS）的设立以及结果，共有75个肝脏和肝脏肿瘤分割算法参与，测试了70个不同患者的图像。最好的肝脏和肝脏肿瘤分割算法的Dices分数分别为0.963和0.674（ISBI 2017）、0.702（MICCAI 2017）和0.739（MICCAI 2018）。该研究为肝脏相关分割任务提供了一个活跃的基准和资源。