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。

本研究提出了一种新方法UMambaAdj，用于头颈癌MRI引导自适应放疗中的肿瘤分割。结合UMamba和nnU-Net Residual Encoder的优势，在HNTS-MRG 2024测试集上，T2加权MRI图像的GTVp和GTVn平均Dice系数分别为0.751和0.842，显示出提高肿瘤勾画精度的潜力。

在医学影像中，传统分割方法处理肿瘤时有局限。提出的双提示模式结合视觉和文本提示，创新模型CAT通过3D裁剪图像生成解剖提示，并改进分割效果。CAT在多个CT数据集上表现优异，特别是在肿瘤分割中，展示了多模式提示的潜力。

在医学影像中，传统分割方法处理肿瘤时有局限。提出的双提示模式结合视觉和文本提示，创新模型CAT通过3D图像生成解剖提示，并改进分割效果。CAT在多个CT数据集上表现优异，特别是在肿瘤分割中，验证了多模式提示的潜力。

本研究使用生成性对抗网络训练生成合成MRI图像，提高肿瘤分割性能并证明生成模型作为匿名化工具的价值，为解决医学成像中的挑战提供潜在解决方案。

本研究使用生成性对抗网络训练生成合成MRI图像，提高肿瘤分割性能并证明生成模型作为匿名化工具的价值，为解决医学成像中的挑战提供潜在解决方案。

该研究提出了一种混合有导师的框架（StMt），用于腹部器官和肿瘤的分割。实验证明该方法在准确性、速度和资源利用方面表现优异。

该研究引入了适用于医学数据的MA-SAM框架，通过注入3D适配器，使2D主干能够从输入数据中提取第三维信息。在医学图像分割任务中，该方法在多个数据集上表现优于其他三维方法，Dice指标分别超过nnU-Net 0.9%、2.6%和9.9%。在肿瘤分割任务中，该模型也表现出色。

本研究使用生成性对抗网络训练生成合成MRI图像，提高肿瘤分割性能并证明生成模型作为匿名化工具的价值，为医学成像中的挑战提供潜在解决方案。

该研究使用SegResNet和MedNeXt等CNN模型进行肿瘤分割，并引入后处理方法提高分割性能。在BraTS 2023挑战中，取得第三名，测试集上的平均Dice和HD95分数分别为0.8313和36.38。

本研究使用生成性对抗网络训练生成合成MRI图像，提高肿瘤分割性能并证明生成模型作为匿名化工具的价值，为解决医学成像挑战提供潜在解决方案。

通过使用Resblock-backbone和Transformer-bottleneck构建16亿参数的大规模肿瘤分割基础模型(TSFM)，融合了7个肿瘤数据集和3个多器官数据集，构建了一个三维医学数据集池。TSFM是用于医学影像分割的预训练模型，性能高于nnU-Net，且在迁移学习任务中只需5%的训练轮次即可达到相似的性能。预训练的TSFM模型及其代码即将发布。

本研究提出了一种新的成像方法RT-SRTS，能够实时进行3D重建和肿瘤分割。该方法在十个患者病例上进行了评估，结果显示出优越的3D重建效果和肿瘤分割结果。同时重建和分割速度快，约70毫秒。有效性也通过消融研究得到了验证。

通过对nnU-Net模型进行修改和优化，结合BraTS特定的修改，提高了其在BraTS 2020挑战中的肿瘤分割性能，最终获得第一名。

该研究使用生成性对抗网络训练生成合成MRI图像，提高肿瘤分割的性能，并证明了生成模型作为匿名化工具的价值。这为解决医学成像中机器学习面临的挑战提供了潜在的解决方案。