本研究解决了在不同时间对同一患者肝脏CT扫描进行肿瘤进展评估时的配准问题，特别是在肝脏检查中，由于各种非刚性变形和病理变化，配准过程复杂。本文提出了一种基于几何和解剖信息的配准方法，实验结果显示该方法相比其他配准技术能够提供更平滑的变形，同时保持肿瘤负担，从而提高了肿瘤进展评估的准确性。

本文介绍了多种基于深度学习的医学图像处理方法，包括超声图像特征定位、MR-CT图像配准、肝脏手术中的增强现实应用及自主机器人超声系统。这些方法提高了医学图像的配准精度和处理速度，旨在减轻医疗负担并改善患者体验。

一项新研究发现，纳米级微塑料颗粒在人类大脑中富集，浓度高于肝脏。尚不清楚微塑料对人体健康的影响，需要更多研究来探讨。

本文介绍了一种新颖的3D深度监督网络（3D DSN），用于自动肝脏分割，并结合条件随机场模型以提高分割精度。研究表明，该方法在公共数据集上表现出竞争力的分割结果和更快的处理速度，适用于临床肝容积估算，替代传统手动分割方法。

该研究利用人工智能和机器学习技术，开发了基于3D分割及CNN、RNN的模型，以提高腹部创伤的诊断速度和准确性。通过处理CT扫描，提供实时评估，改善临床决策和患者预后。同时，研究探讨了治疗推荐系统的可行性，旨在降低医疗错误率并提升治疗效果。此外，发布了RSNA腹部创伤CT数据集，以促进相关研究的发展。

该研究提出了一种基于深度学习的自动肝脏分割算法，能够高效准确地估算肝脏容积，替代传统手动方法。该算法通过神经网络和图割优化，在肝脏病变分割中展现出更高的准确性和鲁棒性，适合临床应用。

本研究介绍了一种基于 3D-3D 非刚性配准的图像引导肝脏手术方法，采用有限元模型 (FEM) 作为生物力学模型，在表面匹配项中独特地整合 FEM，确保估算的变形在配准过程中保持几何一致性。此方法通过将软弹簧整合到刚度矩阵中，允许力分布于整个肝脏表面，消除了确定 FEM...

本研究介绍了一种名为S^2Former-OR的新型变压器框架，用于手术室中的场景图生成。该框架能够以端到端的方式利用多视角的2D场景和3D点云进行场景图生成。通过引入视图同步转运方案，促进多视角视觉信息交互，并设计几何视觉凝聚操作将2D语义特征与3D点云特征整合。实验证明，S^2Former-OR在4D手术室基准测试中具有卓越性能和较低计算成本。与当前的OR-SGG方法相比，提高了3%的精度并减少了24.2M的模型参数。

本文研究了卷积神经网络在乳腺癌病理学中的应用，提出了一种快速自动检测淋巴结转移的新方法，并在数据集上取得了优异的性能。

研究者提出了分层选择性反馈蒸馏（HLFD）方法，用于医学成像任务中的知识蒸馏。通过从中间层到较早层的蒸馏，以及将最终层的知识转移到中间层，生成稳健且紧凑的学生模型。HLFD方法在肾脏分割任务中优于现有方法，提升了10个百分点以上，并改善了对肿瘤特征的关注。使用HLFD训练的学生模型能够抑制不相关信息，聚焦于肿瘤特定细节，为更高效准确的诊断工具开辟了新路径。