机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究针对肾脏冷冻消融介入中的冰块区域增长预测问题，提出了一种3D流匹配模型，以解决传统物理模拟方法计算要求高且难以准确表现复杂解剖结构的局限。通过实时CT成像和深度学习技术的结合，该模型能够有效估计冰块体积扩展并生成相应的分割掩码，展示了出色的预测准确性，并有望提高肾脏冷冻消融的术中指导效果。

本研究针对CT尿路造影中肾脏影像合成的不足，提出了一种基于扩散模型和Swin变换器的深度学习新方法。该方法生成的合成肾脏影像具有较高的信噪比和结构相似性，能够在不降低影像质量的前提下，降低CT尿路造影的辐射剂量，从而提升其安全性和诊断价值。

本文介绍了一种名为“Crossbar-Net”的新型自动分割方法，利用非正方形补丁和级联卷积神经网络进行肾肿瘤分割，表现优于现有方法。研究探讨了深度学习在肾脏肿瘤识别、分割及预测存活概率中的应用，提出了可解释的分割框架，提升了分割准确性和临床应用潜力。

该文综述深度学习在肾脏医学图像分割中的应用，涵盖肾小球病变识别、肾肿瘤及微血管结构分割。研究采用Transformer、扩散模型和CNN等方法，在CT和活检图像上实现自动分割，Dice分数和检测准确率优于传统方法，泛化能力随训练样本增加而提升。

本文介绍了一种使用深度学习方法的肾脏异常分割方法，通过训练215例胸腹部增强CT扫描，实现了肾脏异常和肾脏实质的准确分割。最佳模型在测试集中表现优异，超过了人眼观察者的分数，显示了计算机化方法在肾脏异常分割中的潜力。

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。

研究使用2.5D ResUnet构建了高效的肾脏语义分割框架，能自动分割CT扫描中的肾脏、肾脏肿瘤和肾囊肿。实验结果显示Dice系数分别为0.954、0.792、0.691，表面Dice系数分别为0.897、0.591、0.541。推断时间为20.65秒，最大GPU内存为3525MB，平衡了模型性能和效率。

本文介绍了Liver Tumor Segmentation Benchmark（LiTS）的设立以及结果，共有75个肝脏和肝脏肿瘤分割算法参与，测试了70个不同患者的图像。最好的肝脏和肝脏肿瘤分割算法的Dices分数分别为0.963和0.674（ISBI 2017）、0.702（MICCAI 2017）和0.739（MICCAI 2018）。该研究为肝脏相关分割任务提供了一个活跃的基准和资源。

该研究使用深度学习技术成功实现了215例胸腹部增强CT扫描中肾脏异常的准确分割和肾脏实质的改进分割，最佳模型的Dice分数表现优异，证明计算机化方法在肾脏异常分割中有进一步改进的潜力。