本研究提出了一种解剖层次监督学习（AHSL）方法，旨在解决肺部分割中因边界不明显而导致的像素级标注困难。实验结果表明，该方法有效提升了分割精度和边界平滑度，为癌症定位和手术规划提供了支持。

本研究利用Segment Anything Model（SAM）对胸部X光图像进行肺部分割。通过迁移学习和微调，显著提升了肺部分割性能，评估结果与U-Net等先进神经网络相当，显示出重要的临床应用潜力。

本文介绍了多种基于深度学习的肺部分割方法，如P-HNNs、NaviAirway和NUMSnet等，这些方法在不同数据集上取得了显著的DICE系数和分割性能提升，适用于肺部疾病的早期诊断和治疗，展示了医学图像分析的应用潜力。

本研究提出K-SAM算法，利用预训练的U-Net模型提升SAM在胸片肺部分割中的零-shot性能。研究结果表明，自动提示选择显著提高了肺部分割的准确性，平均Dice分数达到95.5%。

本文探讨了多种基于深度学习的医学图像分析方法，重点在肺部和气道的分割与检测。研究包括实时框架BronchoTrack、Mask R-CNN特征提取和全自动心周脂肪测量，旨在提高肺癌筛查和呼吸系统疾病的诊断精度。研究结果显示新方法在气道分割和肺部区域评估中的有效性和鲁棒性。

本文介绍了多种3D医学图像分割方法，包括MedContext框架、全卷积神经网络和2D网络的高效转移。这些方法在肺部和腹部器官分割任务中表现优异，有效解决了数据稀缺和不平衡问题，提升了分割的准确性和效率。

该研究使用深度学习分析肺癌患者的X光图像，通过肺部分割和去除骨影技术提高病变和结节的识别准确性。

该研究使用深度学习方法分析肺癌患者的胸部X光图像，通过肺部分割和去除骨影技术提高病变和结节的识别准确性。预处理后的无骨影数据集（＃02）比其他处理后的数据集（＃02和＃03）具有更好的准确度和损失结果。