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。

本研究解决了小血管可视化数据集不足的问题，推动脑部小血管疾病的研究。通过SMILE-UHURA挑战，提供了7T MRI注释数据集，并测试了多种深度学习分割算法，结果表明大多数方法具有良好的分割性能。

本文提出了一种新算法，将半监督和主动学习相结合，通过少量有标签数据训练分割算法。在CamVid和CityScapes数据集上评估，仅使用12.1%和15.1%的标签数据，分别实现了95%以上的准确率。

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。