该研究提出了一种不确定性指导的粗到细肿瘤分割框架，应用于胸部CT图像。该方法结合全体积肿瘤定位与细化分割，通过解剖意识后处理提高分割准确性，减少误报，增强空间可解释性，展示了不确定性建模与解剖信息结合的价值。

本研究提出了一种基于Shapley值的医学图像分割方法，以提高模型的解释性。结果表明，不同模型在肿瘤分割中的表现存在差异，U-Net在T1对比和FLAIR上存在偏见，而Swin-UNETR模型在多对比理解方面具有优势，具有潜在的临床应用价值。

本研究提出了一种新颖的Attention Xception UNet（AXUNet）架构，结合了Xception主干和自注意力模块，优化脑胶质瘤肿瘤分割。AXUNet在肿瘤轮廓划分上表现优异，平均Dice分数达到93.73，显示其在临床应用中的潜力。

本研究针对罕见的胰腺神经内分泌肿瘤（pNETs），建立了一个包含469位患者的对比增强CT图像数据集，并引入新的切片加权损失函数，以提升肿瘤分割性能，从而改善pNET的诊断和患者预后。

本文评估了基于Segment Anything Model (SAM)的医学图像分割能力，发现其在CT数据上表现良好，但在结构性目标上存在局限。通过适当提示，SAM的性能显著提升。研究还提出了新模型和方法，展示了在肿瘤分割和病理学任务中的潜力。

本研究提出了一种新方法，通过利用放疗前的肿瘤区域和局部梯度图，提高头颈癌肿瘤体积分割的准确性。这对自适应放疗的分割和治疗计划有积极影响，可能改善患者治疗效果。

本文介绍了多种深度学习模型在头颈部癌症肿瘤分割中的应用，包括AnatomyNet、URPC框架和2S-ICR框架。这些模型通过改进算法和技术，提高了分割精度和处理速度，为放疗提供了有效支持，显示出深度学习在肿瘤体积分割中的良好前景。

本研究基于FAIR原则建立公共癌症图像库，利用PropNet框架实现高精度肿瘤分割。提出双提示模式和CanvOI模型，以解决数据稀缺问题并提升AI性能。合成肿瘤生成技术增强了检测效果，展示了合成数据在癌症影像研究中的潜力。

本研究开发了一种基于对比学习的深度学习增广方案，显著提高了乳腺癌检测的准确性。通过多样化图像训练，模型在多个数据集上表现优越，尤其在超声图像肿瘤分割和病理缓解预测方面展现了良好的应用潜力。

该研究提出了一种名为S$^3$-TTA的测试时间数据增强框架，提升了医学图像分割模型的性能。通过双提示模式结合视觉和文本提示，改进了肿瘤分割的准确性。同时，GraTa方法有效解决了领域偏移问题，优化了模型在不同测试数据上的适应性。

本文提出了一种新颖的端到端网络，用于建模扩散性胶质瘤的生长，能够生成未来的肿瘤掩模和真实的MRI图像。该模型结合了扩散概率模型和深度分割神经网络，通过真实手术后MRI数据进行训练，展现了在肿瘤分割和不确定性估计方面的优异性能，为临床决策提供了有用信息。

本研究提出了一种基于3D CNN的自动分割网络，用于胶质瘤的MRI数据分析。通过训练神经网络，该方法在肿瘤分割和分类方面表现出高准确率，Dice分数达到61%。同时，采用循环残差U-Net模型对三种脑肿瘤进行分割，平均交并比为0.8665，显示出深度学习在脑肿瘤分割中的优势。

AnatomyNet模型利用深度学习自动分割头颈部CT图像中的重要器官，显著提高了分割精度并减少了处理时间。研究提出了3D U-Net和交互式分割等方法，提升了肿瘤分割的准确性和效率，为放射治疗提供了新思路。

本文介绍了多种基于深度学习的医学影像处理方法，旨在提高食管癌及其他癌症的放射治疗效果。研究表明，卷积神经网络和图神经网络等技术能够显著提升肿瘤分割精度，优化治疗规划，为临床提供更有效的工具和方法。

本文介绍了一种深度学习框架用于医学图像分割，强调无需特定任务信息和人为干预。通过固定模型和超参数，结合多平面数据增强，提升了泛化性能。研究提出了新模型MDViT和SAT，在多个数据集上表现优越，尤其在肿瘤分割任务中。此外，介绍了新架构MedContext和3D-EffiViTCaps，进一步提高了分割效率和性能。

本文介绍了多种基于深度学习的医学图像分割方法，如DoubleU-Net、U-Transformer和Wavelet_Attention_UNet。这些方法在乳腺超声和CT图像的肿瘤分割中表现优异，利用先进的网络架构和注意力机制显著提升了分割精度。

本研究探讨了交互式分割算法Segment Anything Model（SAM）在乳腺超声影像中对肿瘤分割的有效性，ViT_l模型表现优异。研究分析了肿瘤特征对分割性能的影响，并提出了新型医疗癌症病变分割模型U-SAM，显示出在多个数据集上的优越性，为未来研究提供了基线。

本文介绍了一种基于持续同调的肿瘤分割框架，利用代数工具和新分类器提高诊断精度。研究探讨了拓扑数据分析在医学图像中的应用，提出了PHG-Net和SPI-CorrNet等新方法，显著改善了分类和建模性能，展示了拓扑与几何信息结合的潜力。

本文介绍了多种基于深度学习的肿瘤分割方法，包括卷积神经网络和Transformer结构，应用于脑肿瘤和乳腺癌的自动化分割。研究展示了在不同竞赛中的优异表现，并提出了新数据集以促进乳腺癌诊断和治疗的创新。