本文比较了多种深度学习方法在MRI图像前列腺分割中的应用，重点关注不确定性分割和量化。研究表明，Attention R2U-Net模型的分割性能最佳，平均交并比达到76.3%。此外，CSA-Net模型在多类别前列腺MRI分割中也表现出色，证明了其在医学图像处理中的有效性。

本文介绍了一种基于深度学习的MicroSegNet方法，用于自动化、快速、准确地分割微型超声图像上的前列腺。该方法使用了多尺度注释引导变压器UNET模型，取得了比现有方法更好的结果，并提供了代码与数据集。

本文介绍了一种基于深度学习的方法MicroSegNet，用于对微型超声图像上的前列腺进行自动化、快速、准确的分割。该方法使用了多尺度注释引导变压器UNET模型，能够更好地处理前列腺、膀胱和尿道的艺术品和不清晰的图像区域，并取得了比现有分割方法更好的结果。此外，该方法还提供了代码与数据集。

我们提出了一种新颖的弱监督分割方法Boundary-RL，只利用补丁级别的标签进行训练。通过使用基于预训练边界存在分类器的奖励来训练一个控制器函数，定位感兴趣区域的边界。在前列腺分割任务上，我们的方法表现出比其他弱监督方法更好的性能。

本文介绍了一种基于U-Net的tU-Net网络，利用未经注释的多视图数据改善前列腺分割。该方法提高了分割准确度，同时在缺少视图时具有灵活性。