机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

随着人工智能和医学影像技术的发展，医学数据迅速增长，推动了疾病诊疗和健康管理的变革。高质量医学数据集是实现精准医疗的关键，必须遵循伦理规范以保护患者隐私。在构建数据集时，需要整合多模态信息，以满足临床需求并支持模型训练。

本研究提出了一种新框架JSover，旨在解决传统单能量CT系统中多材料分解的局限性。JSover通过联合重建多材料成分和直接估计能量谱，提高了解析精度和计算效率，实验结果表明其优于现有方法。

本研究提出了一种基于深度学习的方法，能够从时间飞行非衰减校正PET图像生成合成CT图像，解决了PET成像中的衰减校正问题，显著提升了PET/MR的衰减校正性能，具有重要的潜在影响。

本研究提出了一种新颖的3D模型nnUNet，用于肺癌早期检测中的肺结节分割和体积分析。该模型在不依赖解剖先验知识的情况下，显著提高了肺病变的分割和量化效果，检测超1cm病变的精准度为71.3%，灵敏度为68.4%，可实现个体化肿瘤负担评估。

本研究探讨了解剖先验在腹部CT上自动胰腺分割中的应用。引入解剖先验后，Dice分数提高6%，Hausdorff距离减少36.5毫米，表明该方法在胰腺分割及影像生物标志物提取中的潜力。

本研究针对DeepLesion数据集中病灶标签类别不平衡问题，提出三种数据平衡方法以改善CT中病灶检测和标记。实验结果表明，平衡标签显著提高了检测灵敏度，增强了不同类别病灶的识别效果，对放射学报告中的病灶记录具有重要意义。

本研究提出了一种自我训练的管道，用于在CT图像中实现三维病灶的检测与标记。该方法有效解决了深度学习中病灶检测不全面及类别不平衡的问题。VFNet模型在仅使用30%数据时，检测效果与全数据集相当，显示出良好的应用潜力。

本研究对CT和X光图像中的盆骨骨折分割技术进行了基准测试，评估了多种算法的表现。结果显示，CT算法的平均分割准确率为0.930，而X光为0.774，突显了重叠解剖结构的挑战。研究强调，结合人类决策的交互式分割方法对提高模型的可靠性和临床应用性至关重要。

本研究解决了术前CT中内脏脂肪组织（VAT）分割的不足，尤其是由于观察者间变异性和缺乏真实标记的阻碍。文章提出了一种全自动的KEVS方法，结合深度学习语义分割与高斯核密度估计，能够在没有真实标记的情况下，实现更精准的VAT预测。研究结果表明，KEVS相比现有方法在Dice系数上提高了4.80%和6.02%，展示了其在减少观察者变异性方面的潜力。

本研究解决了现有方法在脑CT报告生成中对医学实体的偏见学习问题，导致报告的重复性和不准确性。提出的医学实体平衡提示网络（MEPNet）通过引入视觉嵌入和医学实体学习状态作为丰富线索，平衡了多样实体的学习，提升了报告的全面性和准确性。实验结果表明，该方法在临床准确性和文本一致性上取得了显著效果。

本研究提出了一种纹理感知的StarGAN方法，旨在解决CT数据统一中的挑战，有效应对不同重建核导致的纹理变异，提升数据和模型的表现。

本研究提出了MedLoRD生成扩散模型，旨在解决医学图像生成中的数据稀缺问题。该模型能够生成高达512×512×256分辨率的医学体积图像，且生成质量优于现有技术，具有广泛的临床应用潜力。

本研究提出了LEAVS，一个针对腹部CT报告的标注器，能够为九个腹部器官标注七种异常，其性能显著优于其他标注器和人类，提取的标签可用于训练视觉模型。

本研究提出了一种基于强化学习的动态角度选择方法，以满足工业X射线CT快速在线检测的需求。通过动态最优停止和序贯最优实验设计的引入，提升了CT操作的灵活性和适用性。

该研究开发了一种基于人工智能的自动化工具，用于分析腹部CT扫描，解决了手动分析耗时且成本高的问题。新工具结合多视角定位模型和高精度分割模型，定位精度达到90%，Dice系数为0.967，有效提升了胃肠癌患者的管理与治疗效果。