这是Parse2022 Challenge最终结果中第9位的技术报告。我们通过使用基于3D CNN网络的两阶段方法来解决肺动脉的分割问题。粗模型用于定位ROI，并使用精细模型来完善分割结果。此外，为了提高细分性能，我们采用了多视图和多窗口级方法，同时我们采用了微调策略来减轻不一致的标签影响。

我们实施了两个不同的三维深度学习神经网络，并评估了它们在非对比度计算机断层扫描（CT）上看到的颅内出血（ICH）的能力。一种模型，称为“沿正交关注u-net沿正交级别的素隔离”（Viola-Unet），其体系结构元素可适应2022年实例的数据挑战。第二个比较模型是从No-New U-NET（NNU-NET）得出的。输入图像和地面真理分割图用于以监督方式分别训练两个网络。验证数据随后用于半监督培训。在5倍交叉验证期间比较了模型预测。中提琴 - UNET的表现优于四个性能指标中的两个（即NSD和RVD）的比较网络。将中提琴和NNU-NET网络组合的合奏模型在DSC和HD方面的性能最高。我们证明，与3D U-NET相关的ICH分割性能优势有效地合并了U-NET的解码分支期间的空间正交特征。 Viola-Unet AI工具的代码基础，预估计的权重和Docker图像将在https://github.com/samleoqh/viola-unet上公开获得。

计算机断层扫描（CTA）图像上的三维（3D）肾脏解析具有极大的临床意义。肾脏，肾肿瘤，肾静脉和肾动脉的自动分割在基于手术的肾癌治疗方面受益匪浅。在本文中，我们提出了一个新的NNHRA-UNET网络，并使用一个基于它的多阶段框架来细分肾脏的多结构并参加KIPA2022挑战。

不工会是骨科诊所面临的针对技术困难和高成本拍摄骨间毛细血管面临的挑战之一。细分容器和填充毛细血管对于理解毛细血管生长遇到的障碍至关重要。但是，现有用于血管分割的数据集主要集中在人体的大血管上，缺乏标记的毛细管图像数据集极大地限制了血管分割和毛细血管填充的方法论开发和应用。在这里，我们提出了一个名为IFCIS-155的基准数据集，由155个2D毛细管图像组成，该图像具有分割边界和由生物医学专家注释的血管填充物，以及19个大型高分辨率3D 3D毛细管图像。为了获得更好的骨间毛细血管图像，我们利用最先进的免疫荧光成像技术来突出骨间毛细血管的丰富血管形态。我们进行全面的实验，以验证数据集和基准测试深度学习模型的有效性（\ eg UNET/UNET ++和修改后的UNET/UNET ++）。我们的工作提供了一个基准数据集，用于培训毛细管图像细分的深度学习模型，并为未来的毛细管研究提供了潜在的工具。 IFCIS-155数据集和代码均可在\ url {https://github.com/ncclabsustech/ifcis-55}上公开获得。

我们为Brats21挑战中的脑肿瘤分割任务提出了优化的U-Net架构。为了找到最佳模型架构和学习时间表，我们运行了一个广泛的消融研究来测试：深度监督损失，焦点，解码器注意，下降块和残余连接。此外，我们搜索了U-Net编码器的最佳深度，卷积通道数量和后处理策略。我们的方法赢得了验证阶段，并在测试阶段进行了第三位。我们已开放源代码以在NVIDIA深度学习示例GitHub存储库中重现我们的Brats21提交。

大型策划数据集是必要的，但是注释医学图像是一个耗时，费力且昂贵的过程。因此，最近的监督方法着重于利用大量未标记的数据。但是，这样做是一项具有挑战性的任务。为了解决这个问题，我们提出了一种新的3D Cross伪监督（3D-CPS）方法，这是一种基于NNU-NET的半监督网络体系结构，采用交叉伪监督方法。我们设计了一种新的基于NNU-NET的预处理方法，并在推理阶段采用强制间距设置策略来加快推理时间。此外，我们将半监督的损耗重量设置为与每个时期的线性扩展，以防止在早期训练过程中模型从低质量的伪标签中。我们提出的方法在MICCAI Flare2022验证集（20例）上，平均骰子相似系数（DSC）为0.881，平均归一化表面距离（NSD）为0.913。

尽管存在能够在许多医疗数据集上表现出很好的语义分割方法，但是通常，它们不设计用于直接用于临床实践。两个主要问题是通过不同的视觉外观的解开数据的概括，例如，使用不同的扫描仪获取的图像，以及计算时间和所需图形处理单元（GPU）存储器的效率。在这项工作中，我们使用基于SpatialConfiguration-Net（SCN）的多器官分段模型，该模型集成了标记器官中的空间配置的先验知识，以解决网络输出中的虚假响应。此外，我们修改了分割模型的体系结构，尽可能地减少其存储器占用空间，而不会急剧影响预测的质量。最后，我们实现了最小的推理脚本，我们优化了两者，执行时间和所需的GPU内存。

U-NET一直是医疗图像分割任务的首选架构，但是将U-NET体系结构扩展到3D图像时会出现计算挑战。我们提出了隐式U-NET体系结构，该体系结构将有效的隐式表示范式适应监督的图像分割任务。通过将卷积特征提取器与隐式定位网络相结合，我们隐式U-NET的参数比等效的U-NET少40％。此外，我们提出了培训和推理程序，以利用稀疏的预测。与等效的完全卷积U-NET相比，隐式U-NET减少了约30％的推理和训练时间以及训练记忆足迹，同时在我们的两个不同的腹部CT扫描数据集中取得了可比的结果。

来自3D CTA的多结构（即肾脏，肾脏，动脉和静脉）的准确和自动分割是基于手术的肾脏癌治疗的最重要任务之一（例如，腹腔镜部分肾切除术）。本文简要介绍了MICCAI 2022 KIPA挑战中多结构SEG-Interation方法的主要技术细节。本文的主要贡献是，我们设计具有大量上下文信息限制功能的3D UNET。我们的方法在MICCAI 2022 KIPA CHAL-LENGE开放测试数据集上排名第八，平均位置为8.2。我们的代码和训练有素的模型可在https://github.com/fengjiejiejiejie/kipa22_nnunet上公开获得。

腹部器官分割具有许多重要的临床应用，例如器官定量，手术计划和疾病诊断。但是，从CT扫描中手动注释器官是耗时且劳动密集型的。半监督的学习表明，通过从大量未标记的图像和有限的标签样本中学习来减轻这一挑战的潜力。在这项工作中，我们遵循自我训练策略，并使用CNN和Transformer使用混合体系结构（PHTRAN），以生成精确的伪标签。之后，我们将标签数据一起介绍给具有轻量级PHTRAN的两阶段分割框架，以提高模型的性能和概括能力，同时保持效率。 Flare2022验证集的实验表明，我们的方法可实现出色的分割性能以及快速和低资源模型的推断。平均DSC和HSD分别为0.8956和0.9316。在我们的开发环境下，平均推理时间为18.62 s，平均最大GPU存储器为1995.04 MB，GPU内存时间曲线下的面积和CPU利用时间曲线下的平均面积为23196.84和319.67。

视觉变形金刚（VIT）S表现出可观的全球和本地陈述的自我监督学习表现，可以转移到下游应用程序。灵感来自这些结果，我们介绍了一种新的自我监督学习框架，具有用于医学图像分析的定制代理任务。具体而言，我们提出：（i）以新的3D变压器为基础的型号，被称为往返变压器（Swin Unet），具有分层编码器，用于自我监督的预训练; （ii）用于学习人类解剖学潜在模式的定制代理任务。我们展示了来自各种身体器官的5,050个公共可用的计算机断层扫描（CT）图像的提出模型的成功预培训。通过微调超出颅穹窿（BTCV）分割挑战的预先调整训练模型和来自医疗细分牌组（MSD）数据集的分割任务，通过微调训练有素的模型来验证我们的方法的有效性。我们的模型目前是MSD和BTCV数据集的公共测试排行榜上的最先进的（即第1号）。代码：https://monai.io/research/swin-unetr.

Accurate airway extraction from computed tomography (CT) images is a critical step for planning navigation bronchoscopy and quantitative assessment of airway-related chronic obstructive pulmonary disease (COPD). The existing methods are challenging to sufficiently segment the airway, especially the high-generation airway, with the constraint of the limited label and cannot meet the clinical use in COPD. We propose a novel two-stage 3D contextual transformer-based U-Net for airway segmentation using CT images. The method consists of two stages, performing initial and refined airway segmentation. The two-stage model shares the same subnetwork with different airway masks as input. Contextual transformer block is performed both in the encoder and decoder path of the subnetwork to finish high-quality airway segmentation effectively. In the first stage, the total airway mask and CT images are provided to the subnetwork, and the intrapulmonary airway mask and corresponding CT scans to the subnetwork in the second stage. Then the predictions of the two-stage method are merged as the final prediction. Extensive experiments were performed on in-house and multiple public datasets. Quantitative and qualitative analysis demonstrate that our proposed method extracted much more branches and lengths of the tree while accomplishing state-of-the-art airway segmentation performance. The code is available at https://github.com/zhaozsq/airway_segmentation.

大脑的血管为人脑提供所需的营养和氧气。作为大脑血液供应的脆弱部分，小血管的病理可能会引起严重的问题，例如脑小血管疾病（CSVD）。还显示CSVD与神经变性有关，例如阿尔茨海默氏病。随着7个特斯拉MRI系统的发展，可以实现较高的空间图像分辨率，从而使大脑中非常小的血管描绘。非深度学习的方法进行血管分割的方法，例如，弗兰吉的血管增强，随后的阈值能够将培养基分割至大容器，但通常无法分割小血管。这些方法对小容器的敏感性可以通过广泛的参数调整或手动校正来提高，尽管使它们耗时，费力，并且对于较大的数据集而言是不可行的。本文提出了一个深度学习架构，以自动在7特斯拉3D飞行时间（TOF）磁共振血管造影（MRA）数据中自动分割小血管。该算法对仅11个受试者的小型半自动分段数据进行训练和评估；使用六个进行培训，两个进行验证，三个进行测试。基于U-NET多尺度监督的深度学习模型使用训练子集进行了训练，并以一种自我监督的方式使用变形 - 意识到的学习以改善概括性能。针对测试集对拟议的技术进行了定量和定性评估，并获得了80.44 $ \ pm $ 0.83的骰子得分。此外，将所提出的方法的结果与选定的手动分割区域（62.07结果骰子）进行了比较，并通过变形感知的学习显示出显着改善（18.98 \％）。

气道分割对于检查，诊断和预后的肺部疾病至关重要，而其手动描述则不当。为了减轻这种耗时且潜在的主观手动程序，研究人员提出了从计算机断层扫描（CT）图像自动分割气道的方法。但是，一些小型气道分支（例如，支气管和终末支气管）显着加剧了通过机器学习模型的自动分割难度。特别是，气道分支中体素值和严重的数据失衡的方差使计算模块容易导致不连续和假阴性预测。注意机制表明了分割复杂结构的能力，而模糊逻辑可以减少特征表示的不确定性。因此，由模糊注意力层给出的深度注意力网络和模糊理论的整合应该是升级的解决方案。本文提出了一种有效的气道分割方法，包括一个新型的模糊注意力神经网络和全面的损失函数，以增强气道分割的空间连续性。深层模糊集由特征图中的一组体素和可学习的高斯成员功能制定。与现有的注意机制不同，所提出的特异性模糊注意力解决了不同渠道中异质特征的问题。此外，提出了一种新的评估指标来评估气道结构的连续性和完整性。该方法的效率已通过在包括精确的09和LIDC数据集在内的开放数据集上进行测试，以及我们的内部Covid-19和纤维化肺病数据集证明了这一建议的效率。

目的：多发性硬化症（MS）是一种自身免疫和脱髓鞘疾病，导致中枢神经系统的病变。可以使用磁共振成像（MRI）跟踪和诊断该疾病。到目前为止，多数多层自动生物医学方法用于在成本，时间和可用性方面对患者没有有益的病变。本文的作者提出了一种使用只有一个模态（Flair Image）的方法，准确地将MS病变分段。方法：由3D-Reset和空间通道注意模块进行设计，灵活的基于补丁的卷积神经网络（CNN），以段MS病变。该方法由三个阶段组成：（1）对比度限制自适应直方图均衡（CLAHE）被施加到原始图像并连接到提取的边缘以形成4D图像; （2）尺寸80 * 80 * 80 * 2的贴片从4D图像中随机选择; （3）将提取的贴片传递到用于分割病变的关注的CNN中。最后，将所提出的方法与先前的相同数据集进行比较。结果：目前的研究评估了模型，具有测试集的ISIB挑战数据。实验结果表明，该方法在骰子相似性和绝对体积差方面显着超越了现有方法，而该方法仅使用一种模态（Flair）来分割病变。结论：作者推出了一种自动化的方法来分割基于最多两种方式作为输入的损伤。所提出的架构由卷积，解卷积和SCA-VOXRES模块作为注意模块组成。结果表明，所提出的方法优于与其他方法相比良好。

磁共振图像（MRI）被广泛用于量化前庭切片瘤和耳蜗。最近，深度学习方法显示了用于分割这些结构的最先进的性能。但是，培训细分模型可能需要目标域中的手动标签，这是昂贵且耗时的。为了克服这个问题，域的适应是一种有效的方法，可以利用来自源域的信息来获得准确的分割，而无需在目标域中进行手动标签。在本文中，我们提出了一个无监督的学习框架，以分割VS和耳蜗。我们的框架从对比增强的T1加权（CET1-W）MRI及其标签中利用信息，并为T2加权MRIS产生分割，而目标域中没有任何标签。我们首先应用了一个发电机来实现图像到图像翻译。接下来，我们从不同模型的集合中集合输出以获得最终的分割。为了应对来自不同站点/扫描仪的MRI，我们在培训过程中应用了各种“在线”增强量，以更好地捕获几何变异性以及图像外观和质量的可变性。我们的方法易于构建和产生有希望的分割，在验证集中，VS和耳蜗的平均骰子得分分别为0.7930和0.7432。

Automatic segmentation of kidney and kidney tumour in Computed Tomography (CT) images is essential, as it uses less time as compared to the current gold standard of manual segmentation. However, many hospitals are still reliant on manual study and segmentation of CT images by medical practitioners because of its higher accuracy. Thus, this study focuses on the development of an approach for automatic kidney and kidney tumour segmentation in contrast-enhanced CT images. A method based on Convolutional Neural Network (CNN) was proposed, where a 3D U-Net segmentation model was developed and trained to delineate the kidney and kidney tumour from CT scans. Each CT image was pre-processed before inputting to the CNN, and the effect of down-sampled and patch-wise input images on the model performance was analysed. The proposed method was evaluated on the publicly available 2021 Kidney and Kidney Tumour Segmentation Challenge (KiTS21) dataset. The method with the best performing model recorded an average training Dice score of 0.6129, with the kidney and kidney tumour Dice scores of 0.7923 and 0.4344, respectively. For testing, the model obtained a kidney Dice score of 0.8034, and a kidney tumour Dice score of 0.4713, with an average Dice score of 0.6374.

在医学图像中，准确，自动和完整的肺气道中的肺气道在分析胸部CT体积（例如肺癌检测，慢性阻塞性肺疾病（COPD）和支气管镜辅助手术导航）中起着重要作用。但是，由于气道的复杂树状结构，此任务仍然是挑战。在这份技术报告中，我们使用两阶段的完全卷积网络（FCN）自动从多站点进行胸腔CT扫描中的肺气道。具体而言，我们首先采用带有U形网络架构的3D FCN以粗分辨率分割肺气道，以加速医学图像分析管道。然后，另一个3D FCN进行了训练，可以以精细的分辨率分段肺气道。在2022 MICCAI多站点多域气道树建模（ATM）挑战中，对报告的方法进行了300例公共培训集和50个案例的独立私人验证集评估。最终的骰子相似性系数（DSC）为0.914 $ \ pm $ 0.040，假负错误（FNE）为0.079 $ \ pm $ 0.042，误差（FPE）为0.090 $ \ pm $ \ pm $ 0.066独立私人验证集。

准确的几何表示对于开发有限元模型至关重要。尽管通常只有很少的数据在准确细分精美特征，例如缝隙和薄结构方面，虽然只有很少的数据就有良好的深度学习分割方法。随后，分段的几何形状需要劳动密集型手动修改，以达到可用于模拟目的的质量。我们提出了一种使用转移学习来重复使用分段差的数据集的策略，并结合了交互式学习步骤，其中数据对数据进行微调导致解剖上精确的分割适合模拟。我们使用改良的多平台UNET，该UNET使用下髋关节分段和专用损耗函数进行预训练，以学习间隙区域和后处理，以纠正由于旋转不变性而在对称类别上的微小不准确性。我们证明了这种可靠但概念上简单的方法，采用了临床验证的髋关节扫描扫描的临床验证结果。代码和结果3D模型可在以下网址提供：\ url {https://github.com/miccai2022-155/autoseg}

最近，使用像涂鸦这样的弱注释进行弱监督的图像分割引起了人们的关注，因为与像素/体素水平上的耗时和标签密集型标记相比，这种注释更容易获得。但是，由于涂鸦缺乏感兴趣区域（ROI）的结构信息，因此现有的基于涂鸦的方法的边界定位不良。此外，大多数当前方法都是为2D图像分割而设计的，如果直接应用于图像切片，它们不会完全利用体积信息。在本文中，我们提出了一个基于涂鸦的体积图像分割，Scribble2D5，该图像对3D各向异性图像进行分割并改善边界预测。为了实现这一目标，我们使用提出的标签传播模块增强了2.5D注意的UNET，以扩展涂鸦的语义信息以及静态和主动边界预测的组合，以学习ROI的边界并正常其形状。在三个公共数据集上进行的广泛实验证明了Scribble2d5显着优于当前基于涂鸦的方法，并处理了完全监督的方法的性能。我们的代码可在线提供。