本研究解决了在全身磁共振成像中神经纤维瘤（NF）自动分割的准确性和效率问题。提出了一种包含解剖学信息的自动化分割管道，通过多个阶段提升了分割性能，最终在高肿瘤负担情况下获得了68%的Dice相似系数提升。该方法在3D Slicer平台中被集成，具有实际的临床应用潜力。

本研究提出了一种新模型，通过结合手术工具的历史位置信息和解剖特征，预测工具的未来运动轨迹，强调了解剖特征在神经外科手术决策中的重要性。

本研究提出了一种新方法，通过结合解剖标签和训练nnUNet集成模型，解决了PET/CT成像中病灶分割准确性问题。在FDG和PSMA数据集上的交叉验证中，该模型的Dice分数分别达到了76.90%和61.33%，验证了其有效性。

本研究旨在开发一个模型，用于精确识别不同患者器官分割之间的相应点。通过使用头颈部器官分割的CT扫描训练了一个在3D形状中同时进行对应和插值估计的模型。评估了对应和插值性能，最佳性能的模型配置将图像信息作为损失函数的一部分，产生了更符合解剖学的对应结果。

在医学影像领域，现有的可提示分割方法主要考虑文本或视觉提示，但在处理医学图像中的异常情况（如肿瘤）时往往存在一些局限性，因为肿瘤在形状、大小和外观等方面可能存在很大的变异。为了解决医学场景的复杂性和文本或视觉提示的局限性，我们提出了一种新颖的双提示模式，利用视觉和文本提示的互补优势来分割各种器官和肿瘤。具体而言，我们引入了一种创新的模型 CAT，它通过医学领域知识丰富的 3D...

本文介绍了一种新的框架，用于在单目图像中进行3D形状重建，并能够更好地适应不同形状几何分布的目标类别。实验证明，该方法在PartNet中表现出比最先进方法更高的性能，验证了问题分解和网络设计的有效性。

该研究提出了一种基于强化学习的TractOracle系统，用于评估和重建白质纤维束轨迹。该系统通过训练奖励网络，减少虚假阳性的轨迹，提高真阳性比例，并增加纤维束数量。

人工智能在核医学领域的应用增长，PET成像中的人工智能需求也增加。本文提供了人工智能核心原理的指南，重点关注PET成像中的应用。介绍了卷积神经网络、算法训练和U-Net组件。

DrasCLR是一种新型的自监督学习框架，可用于肺部图像的预测和分割任务，包括病人存活预测任务和肺气肿子类型检测。采用基于实例鉴别的方法，在3D医学成像中提取具有解析解剖学特定功能的特征。引入解剖上下文对自监督学习框架具有重要意义，可以大大减少注释精力。