本研究提出了一种基于深度学习的自动化心肌梗死分割框架，利用二维和三维卷积神经网络分析心脏磁共振图像。结果显示，自动分割的梗死体积与人工分割高度一致，且专家评估认为自动分割更准确，具有临床应用潜力。

本研究提出了一种新型3D UNet架构，结合空间注意力机制，以提高儿童胶质瘤的自动分割精度，减少周围组织干扰，促进临床决策。

本研究提出了一种利用MRI肿瘤标注信息改善术中超声图像中脑肿瘤自动分割的方法。实验结果表明，该模型在肿瘤识别方面表现良好，但对小肿瘤的分割效果仍需改进。

本研究提出了一种基于nnU-Net框架的自动分割方法，用于低收入和中等收入国家的缺血性中风检测。该方法在非对比计算机断层扫描图像中取得了显著的Dice得分和IoU得分，帮助临床医生更好地评估病灶并指导治疗。

研究提出了一种自动分割多发性硬化病灶的MRI扫描方法，利用新标注数据集和卷积神经网络技术，实现无需用户干预的稳健检测。该方法结合领域适应性、注意力机制和联邦学习，提升了分割精度和鲁棒性，为多发性硬化症的监测和诊断提供了新工具。

COVID-19大流行病反应凸显了深度学习方法在通过CT对肺部疾病进行自动分割的潜力。研究使用多态训练优化了一个网络，结合6000多个手动和自动标签的CT扫描，开发了一种用于肺部、气道、肺动脉和肺病变分割的端到端方法。在地面玻璃浑浊度和病变分割方面取得了最先进的性能。提供了一个开源实现的链接。

我们提出了一个通用基础模型，用于自动分割不同类型和不同成像模态数据的脑病变。通过多模态专家混合框架和分层门控网络，将专家预测结果相结合。引入课程学习策略，避免专家网络的退化。在九个数据集上评估，结果表明模型优于最先进的通用模型并具有良好的泛化性能。

利用UNet和HRNet两种完全卷积网络优化超参数，实现对多细胞瘤球的自动分割，与手动分割的重叠度约为90%，代表生物学上不明确或模糊的情况。

COVID-19大流行病反应凸显了深度学习方法在通过CT对肺部疾病进行自动分割的潜力。研究使用多态训练优化了一个网络，结合6000多个手动和自动标签的CT扫描，开发了一种用于肺部、气道、肺动脉和肺病变分割的端到端方法。在地面玻璃浑浊度和病变分割方面取得了最先进的性能。提供了开源实现。

本文介绍了一种基于纹理和血管特征的混合深度学习网络（TS-SHDL），用于自动分割脑物质，并通过条件随机场（CRF）实现分割。实验结果表明，TS-SHDL网络在MR影像分割方面具有优势和卓越性能。

该论文提出了一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，并通过端到端的训练实现超声图像合成和自动分割。该方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。

该文介绍了两种软件工具，一种用于半自动注释和分割腺病毒，另一种用于自动分割和检测TEM成像系统中完整腺病毒。该工具可以应对非完整病毒背景的挑战，并且真正阳性的检测率非常出色。

本研究提出了一种基于深度编码 - 解码架构的全自动算法，用于自动分割三维医学图像中的主动脉。该算法通过数据预处理和增强来解决低数据量情况下的主动脉分割问题，并在测试中获得了较高的稳定性和 Dice 分数。

该研究使用深度学习成功实现了21个头颈部放射敏感器官的自动分割，并引入了表面Dice相似系数作为新指标。该模型具有较强的泛化能力，可提高放射治疗路径的效率、一致性和安全性。

介绍数据导出到xlsx的工具库，支持自动分割导出、加密、自动添加导出日期等功能，示例展示自动生成表头、个性化写入函数、自动生成输出文件名称等功能。