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。

本研究通过迁移学习和微调新发布的Segment Anything Model（SAM），显著提升了胸部X光图像中肺部分割的性能，具有重要的临床应用潜力。

本研究提出了一种算法，通过自动提示选择提升SAM在因疾病导致的不透明性覆盖的胸片肺部分割中的零样本性能，平均Dice分数达到95.5%。

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。