该论文提出了一种新颖的区域风格转换方法，通过分割网络分离前景和背景，再合并并增强视觉一致性，实现更自然的风格转换。

本文提出了一种利用多个惩罚权重解决分割网络中的类别和区域差异问题的新方法。通过基于类别和区域自适应约束的方法，在训练过程中学习惩罚权重。实验证明该方法优于现有方法。

通过融合模块改进的FusionU-Net是一种新型分割网络，实验证明其性能优于其他方法，融合模块设计更有效，可嵌入其他网络以提高模型性能。

本研究通过案例研究证明补丁攻击可改变分割网络输出。研究发现补丁攻击生成的可能输出图数量通常小于其影响区域。结果表明大多数基于补丁的攻击在实践中不通用，无法生成任意输出图。

该研究通过使用随机形状和平滑异常的插值边缘，改进了分割网络的性能，取得了2022年医学离群分布挑战的第一名。

该研究通过使用随机形状和平滑异常的插值边缘，改进了分割网络的性能，取得了2022年医学离群分布挑战的第一名。

该研究比较了两种分割网络在前列腺癌检测中的效果，结果显示整体评估很重要。人工智能系统可支持放射学评估，通过分割和分类病变。关键词：前列腺癌，分割网络，磁共振成像，人工智能，放射学评估。

该研究通过复制和插值外来补丁生成合成局部异常来训练分割网络，显著改进了方法的性能。他们使用标准的3D U-Net架构在脑部和腹部数据集上进行训练，并在医学离群分布挑战中获得第一名。