本文讨论了腹部多器官分割的研究进展，重点介绍了器官注意力网络和先验知识神经网络等方法。提出了多个数据集和基准，强调了深度学习在分割任务中的应用及其面临的挑战，尤其是在复杂情况和器官边缘的鲁棒性问题。此外，研究还介绍了生成医学图像数据集的管道，为未来的医学影像研究奠定基础。

本研究比较了不同的卷积神经网络和Transformer方法在医学图像数据集上的表现，发现视觉Transformer模型在分类解剖结构、所见和异常方面优于其他预训练CNN网络，建议将其作为新的基准算法。

我们提出了一种新的医学图像数据集精华方法，通过设计新的渐进轨迹匹配策略提高了训练稳定性，并改善合成数据集的多样性和最终性能。实验证明该方法相比之前的最先进方法平均提高了8.33%，ipc=2时提高了11.7%。

研究人员通过检验131个不同的DL体系结构，并在三个医学图像数据集上捕捉性能-资源权衡的趋势，引入了一种新的度量方法来估计每个资源单位的性能。他们还展示了使用预训练模型可以显著减少计算资源和数据要求，希望这项工作可以鼓励开发更小的资源占用方法和模型，提高AI的公平性。

通过自监督学习方法和数据增强，可以获得语义上有意义的图像数据集表示。最近的自监督学习方法$t$-SimCNE在医学图像数据集上产生具有语义上有意义的聚类的2D可视化。增加数据增强的集合以包括任意旋转改善了类别可分性的结果。这些2D表示可用于辅助数据探索和注释，改进常见的数据可视化方法。

本文介绍了一种通过量化筛选医学图像数据集属性的风险，以识别深度学习算法中可能导致偏见的细微因素的技术，并通过真实反事实的比较性能证明了其有效性和灵敏度。该方法应用于一种流行的皮肤病变数据集的自然属性中，并演示了其成功。