互动细分最近引起了专业任务的关注，需要专家输入来进一步提高分割性能。在这项工作中，我们提出了一种新颖的交互式分割框架，其中用户点击基于当前分割掩码的大小动态地调整。点击区域形成重量映射，并作为一种新的加权损失函数馈送到深度神经网络。为了评估我们的损失函数，采用了应用前景和背景用户的交互式U-Net（IU-Net）模型作为主要交互方法。我们在BCV数据集上培训并验证，同时从MSD数据集测试脾脏和结肠癌CT图像，与使用我们的加权损耗功能的标准U-Net相比，改善整体分割精度。应用动态用户点击大小通过仅利用单个用户交互，分别将整体准确性增加5.60％和10.39％。

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 \％）。

利益病理区域的自动分割艾滋病医学图像诊断和随访。但是，准确的病理分割需要高质量的注释数据，这可能是成本和时间的要生成。在这项工作中，我们提出了一种自动化的两步方法，通过使用U-Net ++模型评估来自3D图像堆栈的医学图像的质量来检测训练分段模型所需的最小图像子集。然后可以将这些代表缺乏质量培训的图像被注释并用于完全培训基于U-Net的分段模型。所提出的qu-net ++模型基于从最终两个输出层产生的分割中的分类中缺乏质量培训。所提出的模型分离在每3D堆叠的10％左右的图像中，并且可以跨成像模态扩展到OCT图像中的囊囊肿和肺CT图像中的碎片玻璃不透明度，其中骰子得分在0.56-0.72的范围内。因此，可以应用所提出的方法用于成本有效的多模态病理分割任务。

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.

对骨关节炎（OA）的磁共振成像（MRI）扫描的客观评估可以解决当前OA评估的局限性。 OA客观评估是必需的骨，软骨和关节液的分割。大多数提出的分割方法都不执行实例分割，并且遭受了类不平衡问题。这项研究部署了蒙版R-CNN实例分割并改进了IT（改进的面罩R-CNN（IMASKRCNN）），以获得与OA相关组织的更准确的广义分割。该方法的训练和验证是使用骨关节炎倡议（OAI）数据集的500次MRI膝盖和有症状髋关节OA患者的97次MRI扫描进行的。掩盖R-CNN的三个修改产生了iMaskRCNN：添加第二个Roialigned块，在掩码标先中添加了额外的解码器层，并通过跳过连接将它们连接起来。使用Hausdorff距离，骰子评分和变异系数（COV）评估结果。与面膜RCNN相比，iMaskRCNN导致骨骼和软骨分割的改善，这表明股骨的骰子得分从95％增加到98％，胫骨的95％到97％，股骨软骨的71％至80％，81％和81％胫骨软骨的％至82％。对于积液检测，iMaskRCNN 72％比MaskRCNN 71％改善了骰子。 Reader1和Mask R-CNN（0.33），Reader1和ImaskRCNN（0.34），Reader2和Mask R-CNN（0.22），Reader2和iMaskRCNN（0.29）之间的积液检测的COV值（0.34），读取器2和mask r-CNN（0.22）接近COV之间，表明人类读者与蒙版R-CNN和ImaskRCNN之间的一致性很高。蒙版R-CNN和ImaskRCNN可以可靠，同时提取与OA有关的不同规模的关节组织，从而为OA的自动评估构成基础。 iMaskRCNN结果表明，修改改善了边缘周围的网络性能。

深度学习已被广​​泛用于医学图像分割，并且录制了录制了该领域深度学习的成功的大量论文。在本文中，我们使用深层学习技术对医学图像分割的全面主题调查。本文进行了两个原创贡献。首先，与传统调查相比，直接将深度学习的文献分成医学图像分割的文学，并为每组详细介绍了文献，我们根据从粗略到精细的多级结构分类目前流行的文献。其次，本文侧重于监督和弱监督的学习方法，而不包括无监督的方法，因为它们在许多旧调查中引入而且他们目前不受欢迎。对于监督学习方法，我们分析了三个方面的文献：骨干网络的选择，网络块的设计，以及损耗功能的改进。对于虚弱的学习方法，我们根据数据增强，转移学习和交互式分割进行调查文献。与现有调查相比，本调查将文献分类为比例不同，更方便读者了解相关理由，并将引导他们基于深度学习方法思考医学图像分割的适当改进。

尽管U-NET体系结构已广泛用于分割医学图像，但我们解决了这项工作中的两个缺点。首先，当分割目标区域的形状和尺寸显着变化时，香草U-NET的精度会降低。即使U-NET已经具有在各种尺度上分析特征的能力，我们建议在U-NET编码器的每个卷积模块中明确添加多尺度特征图，以改善组织学图像的分割。其次，当监督学习的注释嘈杂或不完整时，U-NET模型的准确性也会受到影响。由于人类专家在非常精确，准确地识别和描述所有特定病理的所有实例的固有困难，因此可能发生这种情况。我们通过引入辅助信心图来应对这一挑战，该辅助信心图较少强调给定目标区域的边界。此外，我们利用深网的引导属性智能地解决了丢失的注释问题。在我们对乳腺癌淋巴结私有数据集的实验中，主要任务是分割生发中心和窦性组织细胞增多症，我们观察到了基于两个提出的增强的U-NET基线的显着改善。

前列腺癌是全世界男性癌症第二大的癌症和第六主要原因。专家在诊断前列腺癌期间面临的主要问题是含有肿瘤组织的感兴趣区域（ROI）的定位。目前，在大多数情况下，该ROI的分割是由专家医生手动进行的，但是该程序受到某些患者的检测率低（约27-44％）或过度诊断的困扰。因此，几项研究工作解决了从磁共振图像中自动分割和提取ROI特征的挑战，因为此过程可以极大地促进许多诊断和治疗应用。然而，缺乏明确的前列腺边界，前列腺组织固有的异质性以及多种前列腺形状的多样性使这一过程非常难以自动化。在这项工作中，通过获得的MRI图像数据集对六个深度学习模型进行了培训和分析。来自Dijon中心的医院和Catalunya大学。我们使用分类跨环膜损失函数进行了多种深度学习模型（即U-NET，注意U-NET，密度密度，R2U-NET和R2U-NET）的比较。使用通常用于图像分割的三个指标进行分析：骰子分数，JACCARD索引和均方误差。为我们提供最佳结果分割的模型是R2U-NET，骰子，Jaccard和平均平方误差分别达到0.869、0.782和0.00013。

医学图像分割是基于人工智能的临床决策系统的基本问题之一。目前的自动医学图像分割方法往往未能满足临床要求。因此，提出了一系列交互式分段算法来利用专家校正信息。然而，现有方法在长期互动之后遭受一些分割炼制失败问题，以及来自专家注释的一些成本问题，这阻碍了临床应用。本文通过引入纠正措施评估，提出了一种互动分割框架，称为交互式医疗细分，通过引入纠正措施评估，该纠正措施评估结合了基于动作的置信度学习和多智能体增强学习（Marl）。通过新颖的基于行动的置信网络建立评估，并从Marl获得纠正措施。基于机密信息，旨在提供更详细的反馈，并在无监督数据上提出模拟标签生成机制，以减少对标记数据的过度依赖性的模拟标签生成机制。各种医学图像数据集的实验结果显示了所提出的算法的显着性能。

Deep learning has made a breakthrough in medical image segmentation in recent years due to its ability to extract high-level features without the need for prior knowledge. In this context, U-Net is one of the most advanced medical image segmentation models, with promising results in mammography. Despite its excellent overall performance in segmenting multimodal medical images, the traditional U-Net structure appears to be inadequate in various ways. There are certain U-Net design modifications, such as MultiResUNet, Connected-UNets, and AU-Net, that have improved overall performance in areas where the conventional U-Net architecture appears to be deficient. Following the success of UNet and its variants, we have presented two enhanced versions of the Connected-UNets architecture: ConnectedUNets+ and ConnectedUNets++. In ConnectedUNets+, we have replaced the simple skip connections of Connected-UNets architecture with residual skip connections, while in ConnectedUNets++, we have modified the encoder-decoder structure along with employing residual skip connections. We have evaluated our proposed architectures on two publicly available datasets, the Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM) and INbreast.

风险（OAR）的器官的分割是具有图像引导放射治疗的癌症治疗所需的前提。因此，分割任务的自动化是高临床相关性的。基于深度学习（DL）的医学图像分割是目前最成功的方法，但遭受背景类别和解剖学上给定的器官尺寸差异，这在头部和颈部（汉）区域中最严重。为了解决汉族地区特定的类别不平衡问题我们首先优化当前最好的通用分割框架的补丁大小，基于介绍的类不平衡测量，第二，介绍了课堂自适应骰子损失补偿高度不平衡的设置。补丁大小和损耗功能都是对类别不平衡有直接影响的参数，并且它们的优化导致骰子得分的3 \％增加了95％Hausdorff距离的22％，最后达到0.8美元\ PM0.15 $和3.17美元\ PM1.7 $ mm用于使用单个和简单的神经网络分割七汉机关的分割。补丁大小优化和类自适应骰子损耗均可在基于DL的基于DL的分段方法中简单集成，并允许提高类别不平衡分段任务的性能。

在CT图像中与Covid-19相关联的肺病变的自动分割需要大量的注释体积。注释授权专家知识，并通过全部手动分割方法获得时间密集。另外，肺病变具有大的患者间变异，具有与健康肺组织相似的视觉外观的病理学。当应用数据标签时，在应用现有的半自动交互式分段技术时，这会带来挑战。为了解决这些挑战，我们提出了一个有效的卷积神经网络（CNNS），可以在注释者提供基于杂交的交互时在线学习。为了从仅通过用户交互标记的样本加速学习，基于补丁的方法用于训练网络。此外，我们使用加权交叉熵丢失来解决可能由用户交互导致的类别不平衡。在线推理期间，使用完全卷积的方法将学习网络应用于整个输入卷。我们将建议的方法与最先进的方法进行比较，并表明它优于与Covid-19相关联的肺病变的任务表现出现有的方法，在减少3美元\ Times $减少执行时间的同时实现16％的骰子分数。需要9000个较小的基于血小板的标记体素。由于在线学习方面，我们的方法将快速适应用户输入，从而产生高质量的细分标签。源代码将在接受时提供。

肺癌是世界大多数国家的死亡原因。由于提示肿瘤的诊断可以允许肿瘤学家辨别他们的性质，类型和治疗方式，CT扫描图像的肿瘤检测和分割是全球的关键研究领域。本文通过在Lotus DataSet上应用二维离散小波变换（DWT）来接近肺肿瘤分割，以进行更细致的纹理分析，同时将来自相邻CT切片的信息集成到馈送到深度监督的多路仓模型之前。在训练网络的同时，学习速率，衰减和优化算法的变化导致了不同的骰子共同效率，其详细统计数据已经包含在本文中。我们还讨论了此数据集中的挑战以及我们选择如何克服它们。本质上，本研究旨在通过试验多个适当的网络来最大化从二维CT扫描切片预测肿瘤区域的成功率，导致骰子共同效率为0.8472。

由于图像的复杂性和活细胞的时间变化，来自明亮场光显微镜图像的活细胞分割具有挑战性。最近开发的基于深度学习（DL）的方法由于其成功和有希望的结果而在医学和显微镜图像分割任务中变得流行。本文的主要目的是开发一种基于U-NET的深度学习方法，以在明亮场传输光学显微镜中分割HeLa系的活细胞。为了找到适合我们数据集的最合适的体系结构，提出了剩余的注意U-net，并将其与注意力和简单的U-NET体系结构进行了比较。注意机制突出了显着的特征，并抑制了无关图像区域中的激活。残余机制克服了消失的梯度问题。对于简单，注意力和剩余的关注U-NET，我们数据集的平均值得分分别达到0.9505、0.9524和0.9530。通过将残留和注意机制应用在一起，在平均值和骰子指标中实现了最准确的语义分割结果。应用的分水岭方法适用于这种最佳的（残留的关注）语义分割结果，使每个单元格的特定信息进行了分割。

肝脏的准确细分是诊断疾病的先决条件。自动分割是计算机辅助检测和肝病诊断的重要应用。近年来，医学图像的自动化处理已经取得了突破。然而，腹部扫描CT图像的低对比度和肝脏形态的复杂性使得精确的自动分割具有挑战性。在本文中，我们提出了RA V-NET，这是基于U-Net的改进的医学图像自动分割模型。它有以下三个主要创新。建议Cofres模块（复合原始功能剩余模块）。通过更复杂的卷积层和跳过连接，使其获得更高级别的图像特征提取功能并防止梯度消失或爆炸。建议AR模块（注意恢复模块）以减少模型的计算工作。另外，通过调整通道和LSTM卷积来感测编码和解码模块的数据像素之间的空间特征。最后，有效地保留了图像特征。介绍了CA模块（通道注意模块），用于提取具有依赖性的相关通道，并通过矩阵点产品加强它们，同时在没有依赖性的情况下削弱无关的通道。达到关注的目的。 LSTM卷积和CA模块提供的注意机制是强证神经网络性能的保证。 U-Net网络的准确性：0.9862，精确度：0.9118，DSC：0.8547，JSC：0.82。 RA V-NET的评估指标，精度：0.9968，精确度：0.9597，DSC：0.9654，JSC：0.9414。分割效果的最代表性度量是DSC，其在U-NET上改善0.1107，JSC改善0.1214。

语义分割包括通过将其分配给从一组所有可用的标签来分类图像的每个像素。在过去的几年里，很多关注转移到这种任务。许多计算机视觉研究人员试图应用AutoEncoder结构来开发可以学习图像语义的模型以及它的低级表示。在给定输入的AutoEncoder架构中，编码器计算的输入的低维表示，然后解码器用于重建原始数据。在这项工作中，我们提出了一个卷积神经网络（CNNS）的集合。在集合方法中，许多不同的型号训练，然后用于分类，整体汇总了单个分类器的输出。该方法利用各种分类器的差异来提高整个系统的性能。通过使用不同的丢失函数强制执行单个分类器中的多样性。特别是，我们提出了一种新的损失函数，从骰子和结构相似度指数的组合产生。通过使用Deeplabv3 +和Hardnet环境结合不同的骨干网络来实现所提出的合奏。该提案是通过关于两个真实情景的广泛实证评估来评估：息肉和皮肤细分。所有代码都在HTTPS://github.com/lorisnanni在线提供。

深度学习在计算机视觉方面取得了巨大的成功，而由于数据注释的稀缺性，医疗图像细分（MIS）仍然是一个挑战。几次分割的元学习技术（meta-fs）已被广泛用于应对这一挑战，而它们忽略了查询图像和支持集之间可能的分配变化。相比之下，经验丰富的临床医生可以通过从查询图像中借用信息，然后相应地对其（她）先前的认知模型进行微调或校准。在此灵感的启发下，我们提出了一种Q-NET，这是一种质疑的Meta-FSS方法，它在精神上模仿了专家临床医生的学习机制。我们基于ADNET构建Q-NET，这是一种最近提出的异常检测启发方法。具体而言，我们将两个查询信息的计算模块添加到ADNET中，即一个查询信息的阈值适应模块和一个查询信息的原型细化模块。将它们与特征提取模块的双路扩展相结合，Q-NET在两个广泛使用的数据集上实现了最先进的性能，分别由腹部MR图像和心脏MR图像组成。我们的作品通过利用查询信息来改善元FSS技术的新颖方法。

Convolutional Neural Networks (CNNs) have been recently employed to solve problems from both the computer vision and medical image analysis fields. Despite their popularity, most approaches are only able to process 2D images while most medical data used in clinical practice consists of 3D volumes. In this work we propose an approach to 3D image segmentation based on a volumetric, fully convolutional, neural network. Our CNN is trained end-to-end on MRI volumes depicting prostate, and learns to predict segmentation for the whole volume at once. We introduce a novel objective function, that we optimise during training, based on Dice coefficient. In this way we can deal with situations where there is a strong imbalance between the number of foreground and background voxels. To cope with the limited number of annotated volumes available for training, we augment the data applying random non-linear transformations and histogram matching. We show in our experimental evaluation that our approach achieves good performances on challenging test data while requiring only a fraction of the processing time needed by other previous methods.

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}

Encoder-解码器神经网络架构设计的最新进展导致了广泛的医学图像分割任务中的显着性能改进。然而，给定任务的最先进的网络可能太需要运行经济实惠的硬件，因此用户通常通过修改各种宏观级别的设计方面来验证实用的解决方法。两个常见示例是对输入图像的下采样，并减少网络深度以满足计算机内存约束。在本文中，我们调查这些变化对细分性能的影响，并显示图像复杂性可以用作选择最适合给定数据集的指导方针。我们考虑了四项统计措施来量化图像复杂性，并评估其在十个不同的公共数据集上的适用性。出于我们的实验的目的，我们还提出了两个新的编码器解码器架构，代表浅层和深度网络，这些宽度比目前流行的网络更高效。我们的研究结果表明，中位数是决定可接受的输入下采样因子和网络深度的最佳复杂性度量。对于高复杂性数据集，在原始图像上运行的浅网络可以产生比在下采样的图像上运行的深网络的更好的分段结果，而相反可能是低复杂性图像的情况。