nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation
PulseAugur coverage of nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation — every cluster mentioning nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation across labs, papers, and developer communities, ranked by signal.
- used by BraTS-GoAT 80%
- used by TotalSegmentator 70%
- used by prostate cancer 70%
- competes with Mednext 3d Medical Image Segmentation 70%
- used by magnetic resonance imaging 60%
- competes with TotalSegmentator 60%
- used by Divide Then Diagnose 60%
- instance of magnetic resonance imaging 50%
- affiliated with TotalSegmentator 50%
- used by Mednext 3d Medical Image Segmentation 50%
- competes with BraTS-GoAT 50%
6 天有情绪数据
-
新流水线自动化脑成像中的 3D 树突分割
研究人员开发了一种用于 SBF-SEM 图像中 3D 树突分割的自动化流水线，这是理解大脑可塑性的关键步骤。该系统集成了 YOLOv6 和 Segment Anything Model (SAM) 进行初始分割，然后使用随机森林进行掩码精炼和 3D 实例链接。该流水线通过 nnU-Net 完成高分辨率精炼，实现了高语义准确性和有效的实例分离，尽管在癫痫组织等密集区域仍存在挑战。
-
主动学习增强了可微神经架构搜索在3D医学图像分割中的应用
研究人员开发了Active-DiNTS，一种将主动学习与可微神经架构搜索（NAS）相结合的新方法，用于3D医学图像分割。该方法联合优化网络拓扑和标签策展，显著降低了对大量标注预算和多GPU集群的需求。通过使用熵、方差或标准差等不确定性信号对未标记数据进行排序，Active-DiNTS能够有效地选择需要标注的卷，从而在Medical Segmentation Decathlon等基准测试中提高分割精度。
-
NeuroTS-Net 在儿童脑肿瘤分割方面实现高精度
研究人员开发了NeuroTS-Net，一种新颖的3D卷积神经网络，用于多模态MRI扫描中儿童脑肿瘤的多类别语义分割。该架构采用了双尺度原始细节流、自适应上下文选择和保留细节的下采样，以在有效建模肿瘤上下文的同时，保持精细的强度和边界信息。在BraTS 2026儿科数据集上训练后，NeuroTS-Net在内部和挑战验证集上均取得了比nnU-Net和MedNeXt等基线方法更高的Dice分数。NeuroTS-Net的代码已开源。
-
用于心脏病分割的AI模型在分布外泛化方面表现不佳
一篇新的研究论文评估了用于分割先天性心脏病（CHD）解剖结构的深度学习模型的分布外（OOD）泛化能力。研究发现，分布内性能是跨队列鲁棒性的一个糟糕的预测指标，其中nnU-Net在验证集上得分很高，但在一个独立的数据集（ImageCHD）上性能显著下降。SwinUNETR展示了更好的泛化能力，并且其性能在有限的目标域监督下得到了显著提升。
-
统一的 AI 模型可分割 CT 和 MRI 扫描中的胰腺
研究人员开发了一个统一的框架，用于分割 CT 和 MRI 扫描中的胰腺图像，解决了在一种模态上训练的模型应用于另一种模态时性能下降的挑战。通过在 4,604 个异构扫描上采用域对抗学习，该系统学习了解剖学表示，从而对齐 CT 和 MRI 之间的特征。然后，利用有限的仅 MRI 注释将共享编码器转移用于子区域分割，在分布内和外部数据集上均取得了优异的结果，并证明了对下游任务的有效标签高效迁移。
-
SV-Cine框架增强了罕见心脏病的心脏MRI分割
研究人员开发了SV-Cine，一种用于分割心脏MRI扫描中单心室生理学（SVP）的新型框架。该方法利用生成模型创建合成心脏网格和MRI数据，解决了这种罕见先天性心脏病临床数据稀缺的问题。SV-Cine通过整合患者级别的诊断信息来调整基础模型CineMA，以提高分割精度，其性能优于强大的nnU-Net基线，尤其是在右心室分割方面。
-
nnU-Net 模型在多样化脑肿瘤数据集上的泛化能力有所下降
一项研究评估了 nnU-Net 模型在 BraTS-GoAT 2026 数据集内多样化患者人群的脑肿瘤分割任务上的泛化能力。研究人员在超过 1300 个标注病例上训练了一个标准的 3D nnU-Net 模型，观察到在内部验证集上的平均 Dice Similarity Coefficient (DSC) 从 0.9058 下降到汇集外部验证集上的 0.8310。分析表明，较小、更碎片化的肿瘤以及增强肿瘤成分连接性较差的肿瘤在分割方面面临…
-
nnU-Net 流程在脑转移瘤分割中实现了高 LW-DSC
研究人员开发了一种脑转移瘤分割流程，使用基于 5 折交叉验证的 nnU-Net ResEnc-L 集成模型，并采用 Dice + 交叉熵损失进行训练，共处理了 1,296 例病例。该流程包含一个针对病灶级别 Dice 相似系数 (LW-DSC) 优化的后处理级联，并在增强肿瘤和肿瘤核心等子区域上取得了特定分数。进行了折外分析以验证后处理阶段的稳健性，结果显示其中两个阶段提供了持续的改进，而第三个阶段仅提高了排行榜分数，在折外分析中未能复现。
-
联邦学习提升跨模态医学图像分割能力
一篇新研究论文探讨了使用联邦学习技术来改进跨模态医学图像分割，解决了数据分布在不同机构和成像协议各异带来的挑战。该研究特别调查了增强驱动的泛化，发现全局强度非线性（GIN）增强在整合计算机断层扫描（CT）和磁共振成像（MRI）数据时显著提高了性能。结果显示，在胰腺分割和全心脏分割的Dice相似系数方面有显著改进，并且联邦GIN与集中式训练相比，性能保留率很高。
-
LightMedSeg-ISLES 以少 81 倍的参数量实现具有竞争力的脑卒中病灶分割
研究人员开发了 LightMedSeg-ISLES，一种新的脑卒中病灶分割管线，与现有方法相比，参数量显著减少。该模型拥有 126 万个参数，在 ISLES'26 数据集上取得了与 nnU-Net、UNETR++ 和 nnFormer 等大型模型相当的性能。LightMedSeg-ISLES 在使用参数量和计算资源大大减少的情况下，保留了 nnU-Net 的高 Dice 分数百分比，使其成为一个更易于部署的替代方案。
-
弱监督AI分割X射线微CT中的复杂肾脏结构
研究人员开发了一种弱监督深度学习方法，用于分割X射线微CT图像中的复杂结构，显著减少了对大量手动标注的需求。该方法改编自nnU-Net框架，利用稀疏的点状标注和少量全分割图像来识别大鼠肾脏中的肾小球。该技术有望实现生物医学成像数据的有效分析，其性能接近全监督模型。
-
AI 提高癌症试验的医学影像分割精度
研究人员开发了一种方法，用于提高深度学习模型在医学影像中分割临床靶体积（CTV）的精度，特别是针对涉及胃癌的 AGITG TOPGEAR 临床试验。通过整合源自周围器官分割的解剖先验，并采用主动学习来迭代优化训练数据集，模型的性能得到了显著提升。该组合方法实现了最高的精度，展示了放射治疗临床试验中自动轮廓质量保证的潜力。
-
Exemplar 方法融合经典先验知识和 DINOv3，实现少样本显微成像分割
研究人员开发了一种新的少样本分割方法，名为 Exemplar。该方法将冻结的 DINOv3 主干与经典的、原生分辨率的滤波器响应相结合。这种融合使得 Exemplar 在仅需少量训练数据的情况下，在十一个不同的生物医学成像数据集上取得了高性能。与另外五种少样本分割方法相比，Exemplar 在绝大多数数据集比较中表现出优越的结果，并且在仅用一个标注掩码进行训练时，其性能显著优于从头开始训练的 nnU-Net 模型。
-
新的AURA策略改进了超低场儿童脑部MRI分割
研究人员开发了一种名为AURA的不对称监督策略，用于分割使用超低场（ULF）技术的儿童脑部MRI。该方法解决了ULF成像中解剖边界不那么清晰的挑战。AURA利用两种不同的标注：高场衍生（HF）掩码和低场编辑（LF）掩码，将它们视为独立的观察结果，而不是可互换的真实标签。该策略将训练锚定在HF掩码上，并通过可靠性门控整合LF掩码，在LISA 2026挑战赛的初步评估中显示出有希望的结果。
-
Mamba架构应用于放射治疗计划中的MRI到CT合成
研究人员已将最初为图像分割设计的SegMamba架构改编用于放射治疗计划的MRI到CT合成。这种新颖的方法利用状态空间建模来捕捉复杂的体积特征和长距离依赖关系，旨在提高准确性，同时与nnU-Net等传统卷积方法相比保持较低的参数数量。在SynthRAD2025数据集上的实验证明了基于Mamba的模型在跨模态医学图像翻译方面的潜力，为其整合到放射治疗工作流程铺平了道路。
-
AI模型性能和人类变异性在癌症指数评估中的分析
研究人员评估了人类解读和AI模型性能的差异如何影响使用增强CT扫描评估放射学腹膜癌指数（rPCI）得分。研究发现，虽然人类观察者在分割区域方面表现出高度一致性，但一个已发布的nnU-Net模型表现相当，但在特定区域存在显著偏差。该研究模拟了转移灶，以评估这些分割差异对rPCI得分和PCI 20阈值分类的影响，并得出结论，rPCI评分通常对典型的分割变异性具有鲁棒性，而临界病例是专家审查仍然至关重要的主要领域。
-
新AI方法提高脑肿瘤分割的准确性和泛化能力
研究人员开发了用于脑肿瘤MRI扫描分割的先进方法，旨在提高在不同数据集和患者群体中的泛化能力。一种方法利用nnU-Net框架，结合自训练和肿瘤感知形变，以提高BraTS 2026挑战赛的分割准确性，取得了较高的Dice和NSD分数。另一项研究系统评估了不同MRI序列的影响，发现T2f/FLAIR序列提供了最佳的跨数据集性能，而多序列训练和有限的目标域适应进一步提升了结果。
-
AI模型在肿瘤分割和pCR预测挑战赛中获得第二名
来自英国医学科学院院士团队详细介绍了他们为MAMA-MIA挑战赛设计的方案，重点关注使用动态增强MRI进行肿瘤分割和病理完全缓解（pCR）预测。他们的分割方法采用了基于减法的输入的nnU-Net集成模型，取得了0.713的Dice分数，总体排名第二。在pCR预测方面，他们集成了25个预训练的3D视频分类器，获得了0.664的综合分数，但他们也指出了仅凭基线DCE-MRI预测pCR的局限性。
-
AI模型助力AUTOPET V挑战赛PET/CT病灶分割 · 追踪2个来源
两篇提交至arXiv的研究论文详细介绍了用于AUTOPET V挑战赛的PET/CT扫描交互式病灶分割的新颖管线。两种方法都侧重于区分FDG和PSMA示踪剂，并结合解剖学背景以提高准确性。一种方法TRIAGE使用带有掩码自编码预训练的3D STU-Net和辅助器官分割模型，而另一种方法则基于nnU-Net框架，采用包含在线交互式精炼的两阶段训练过程。
-
AI在病理学中的模型通过新的基准测试和伪影生成技术获得鲁棒性
两篇新的研究论文探讨了提高计算病理学中AI模型可靠性和鲁棒性的方法。第一篇论文《计算病理学中伪影检测的可靠基准测试》提出了一种量化基准测试中变异来源的协议，并指出小队列基准测试支持的结论比通常暗示的要弱。第二篇论文《Destroy Me: 自动生成组织病理学图像的伪影》介绍了一个合成真实伪影以训练AI模型的框架，与在无伪影数据上训练的模型相比，在真实世界数据集上表现得到改善。