｛“status”：“ok”，“message type”：“work”，“message version”：“1.0.0”，“message”：｛“indexed”：｛“date parts”：[[2024,3,27]，“date time”：“2024-03-27T19:29Z”，“timestamp”：1711567769564｝，“publisher location”：“Cham”，“reference count”：27，“publisher”：“Springer International Publishing”，“isbn type”：[｛“value”：“9783030871956”，“type”：“print”｝，｛“value”：“9783030871963”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[2021,1,1]]，“date-time”：“2021-01-01T00:00:00Z”，“timestamp”：1609459200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com\/tdm”}，{“开始”：{“date-ports”：[2021,1,1]，“日期-时间”：“2041-01-01T 00:00Z”，“timestamp”：1609459200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com\/tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”：{“date-parts”：[[2021]]}，”DOI“：”10.1007\/978-3-030-87196-3_32“，”类型“：”book-chapter“，”创建“：{”date-part“：[[2021,9,23]]，“日期时间”：“2021-09-23T06:19:41Z”，“时间戳”：1632377981000}，“页面”：“341-351”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源代码”：“Crossref”、“is-referenced-by-count”：6，“标题”：[“通过点击驱动注意力和双路径连接进行病灶分割和RECIST直径预测”]，“前缀”：“10.1007”，”作者“：[{”给定“：“Youbao”，“family”：“Tang”，“sequence”：“first”，“affiliation”：[]}，{“given”：“Ke”，“family”：“Yan”，“segment”：“additional”，“filiance”：[]}附加“，”从属“：[]}，{”给定“：“京”，“家”：“肖”，“序列”：“附加”，“从属”：[]}，{“给定”：“晶晶”，“家族”：“鲁”，“顺序”：“额外”，“隶属”：[]}，}“给定的”：“吉金”，“家庭”：“林”，“排序”：“添加”，“附属”：[[]}.，在线发布“：{“date-parts”：[[2021,9,21]]}，“reference”：[{“key”：“32_CR1”，“doi-asserted-by”：“crossref”、“unstructured”：“Agarwal，V.，Tang，Y.，Xiao，J.，Summers，R.M.：使用共切分法在CT扫描上对病变进行弱监督分割。In:Medical Imaging:Computer-Aided Diagnosis，vol.11314，p.113141J（2020）”，“doi”：“10.1117\/12.2551106”}，{“key”：，“非结构化”：“Armato III，S.G.等人：肺图像数据库联盟（LIDC）和图像数据库资源倡议（IDRI）：CT扫描肺结节的完整参考数据库。医学物理38（2），915\u2013931（2011）”，“DOI”：“10.1118\/1.3528204”}，{“key”：“32_CR3”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first page”：“396”，“DOI”：“10.1007\/978-3-030-00937-3_46”，“volume-title”：“Medical Image Computing and Computer Assisted Intervention\u2013 MICCAI 2018”，“author”：“J Cai”，“year”：“2018”：“Cai，J.等人：使用大规模临床注释进行精确的弱监督深层病变分割：从2D RECIST生成切片传播的3D掩模。In：Frangi，A.F.，Schnabel，J.A.，Davatzikos，C.，Alberola-L\u00f3pez，C.，Fichtinger，G.（eds.）MICCAI 2018。LNCS，第11073卷，第396\u2013404页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-00937-3_46“}，{”issue“：”4“，”key“：”32_CR4“，“doi-asserted-by”：“publisher”，“first page”：“834”，“doi”：“10.1109\/TPAMI.2017.2699184”，”volume“：“40”，“author”：“LC Chen”，“year”：“2018”，“unstructured”：“Chen，L.C.、Papandreou，G.、Kokkinos，I.、Murphy，K.、Yuille，A.L.：DeepLab：使用深度卷积网络、atrous卷积和完全连接的CRF进行语义图像分割。IEEE传输。模式分析。机器。智力。40（4），834\u2013848（2018）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”32_CR5“，”doi-asserted-by“：”crossref“，”unstructured“：”Deng，J.，Dong，W.，Socher，R.，Li，L.，Li.，K.，Li“，”doi“：”10.1016\/j.ejca.2008.10.026“，“volume”：“45”，“author”：“EA Eisenhauer”，“year”：“2009”，“unstructured”：“Eisenhauer，E.A.，et al.：实体肿瘤新反应评估标准：修订版RECIST指南（1.1版）。《Eur.J.Cancer》45（2），228\u2013247（2009）“，“journal-title”：“Eur.J Cancer”}，{“key”：“32_CR7”，“doi-asserted-by”：“crossref”，“unstructured”：“Fu，J.，et al.：场景分割的双重注意网络。摘自：CVPR，pp.3146\u20133154（2019）”，“doi”：“10.1109\/CVPR.2019.00326”}、{“key”：“非结构化”：“He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。收录于：CVPR，第770\u2013778页（2016）“，”DOI“：”10.1109\/CVPR.2016.90“}，{”key“：”32_CR9“，”unstructured“：”Heller，N.，et al.：KiTS19挑战数据：300例肾肿瘤病例的临床背景、CT语义分割和手术结果。arXiv预印本arXiv:1904.00445（2019）“}、{”key“：“32_CR10”、“DOI-asserted-by”：“crossref”，“unstructure”：“Isensee，F.等人：nnU-Net：基于U-Net的医学图像分割的自适应框架。arXiv预印本arXiv:1809.10486（2018）“，“DOI”：“10.1007\/978-3658-25326-4_7”}，{“key”：“32_CR11”，“unstructured”：“Kingma，D.P.，Ba，J.：Adam:一种随机优化方法。arXiv预先印本arX iv:1412.6980（2014）”}、{“issue”：“12”，“key“：”32_CR12”，“DOI-asserted-by”：“publisher”，“first-page”：“2663”，“DOI:”10.1109\/TMI.2018.2845918“，”卷“：”37“，”作者：“X Li”，“年份”：“2018年”，“非结构化”：“Li，X.，Chen，H.，Qi，X.、Dou，Q.，Fu，C.W.，Heng，P.A.：H-DenseUNet：混合密集连接UNet，用于从CT体积分割肝脏和肿瘤。IEEE传输。医学成像37（12），2663\u20132674（2018）“，“期刊标题”：“IEEE Trans。Med.Imageging“｝，｛“issue”：“1”，“key”：“32_CR13”，“doi asserted by”：“publisher”，“首页”：“2”，“doi”：“10.1109\/TPMI.2013.106”，“volume”：“36”，“author”：“P Marquez-Neila”，“year”：“2013”，“nonstructured”：“Marquez-Niela，P.，Baumela，L.，Alvarez，L.：基于曲率的曲线和曲面演化的形态学方法。IEEE传输。模式分析。机器。智力。36（1），2\u201317（2013）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”32_CR14“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”first page“：“234”，“doi”：“10.1007\/978-3319-50835-1_22”，“volume-title”：“Visual Computing的进步”，“author”：“MA Rahman”，“year”：“2016”，“unstructured”：“Rahman，M.A.，Wang，Y.：优化用于图像分割的深层神经网络中的交集-重叠。摘自：Bebis，G.等人（编辑）ISVC 2016。LNCS，第10072卷，第234\u2013244页。查姆施普林格（2016）。https:\/\/doi.org\/10007\/978-3-319-50835-1_22“}，{“key”：“32_CR15”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“234”，“doi”：“10.1007\/968-3-319-25574-4_28”，“volume-title”：《医学图像计算与计算机辅助干预》，2013年MICCAI 2015年，“author”：“O Ronneberger”，“year”：“2015”，“非结构化“：”Ronneberger，O.，Fischer，P.，Brox，T.：U-Net：生物医学图像分割的卷积网络。在：Navab，N.，Hornegger，J.，Wells，W.M.，Frangi，A.F.（编辑）MICCAI 2015。LNCS，第9351卷，第234\u2013241页。查姆施普林格（2015）。https:\/\/doi.org\/10.1007\/978-3-319-24574-4_28“}，{”key“：”32_CR16“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”首页“：”520“，“doi”：“10.1007\/978-23-19-10404-1_65”，“volume-title”：“医学图像计算和计算机辅助干预\u2013 MICCAI 2014”，“author”：“HR Roth”，“year”：“2014”，”非结构化“：”Roth，H.R.等人：一种新的2.5D表示法，用于使用深度卷积神经网络随机集进行淋巴结检测。收录人：Golland，P.、Hata，N.、Barillot，C.、Horneger，J.、Howe，R.（编辑）MICCAI 2014。LNCS，第8673卷，第520\u2013527页。查姆施普林格（2014）。https:\/\/doi.org/10.1007\/978-3-319-10404-1_65“｝，｛“key”：“32_CR17”，“非结构化”：“Simpson，A.L.等人：一个用于开发和评估分割算法的大型注释医学图像数据集。arXiv预印本arXiv:1902.09063（2019）”｝，｛“key”：“32_CR18”，“doi由”断言：“crossref”，“非结构化”：“Tang，Y.B.，Oh，S.，Tang，Y.X.，Xiao，J.，Summers，R.M.：使用生成对抗网络进行CT真实感数据增强，以实现稳健的淋巴结分割。收录于：SPIE Medical Imaging，第10950卷，第109503V页（2019年）“，“DOI”：“10.1117\/12.512004”}，{“key”：“32_CR19”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tang，Y.B.，Yan，K.，Tang，Ye.X.，Liu，J.，Xiao，J.、Summers，R.M.：ULDor：一种通用病变探测器，用于CT扫描，带有伪掩模和硬阴性样本挖掘。收录于ISBI，第833\u2013836（2019）页“，”DOI“：”10.1109\/ISBI.2019.8759478“}，{“key”：“32_CR20”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tang，Y.，et al.：区域水平集合丢失的弱监督通用病变分割。arXiv预印本arXiv:2105.01218（2021）”，“DOI”：“10.1007\/978-3-030-87196-3_48”}，“key“：”32_CR21“，”series-time“：“计算机科学讲稿”，“doi-asserted-by“：”publisher“，”first page“：”405“，”doi“：”10.1007\/978-3-030-00937-3_47“，”volume-title“：”Medical Image Computing and Computer Assisted Intervention\u2013 MICCAI 2018“，”author“：”Y Tang“，”year“：”2018“，“unstructured”：“Tang，Y.，Harrison，A.P.，Bagheri，M.，Xiao，J.，Summers，”，R.M.：使用级联卷积神经网络对CT扫描进行半自动RECIST标记。收录人：Frangi，A.F.、Schnabel，J.A.、Davatzikos，C.、Alberola-L\u00f3pez，C.、Fichtinger，G.（编辑）MICCAI 2018。LNCS，第11073卷，第405\u2013413页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-00937-3_47“}，{“key”：“32_CR22”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“512”，”doi“：”10.1007\/978-300-59719-1_50“，”volume-title“：”医学图像计算和计算机辅助干预\u2013 MICCAI 2020“，”作者：“Y Tang”，“年份”：“2020”，“非结构化”：“Tang，Y.、Tang，Y.、Zhu，Y.，Xiao，J.、Summers，R.M.：E$$^2$$网络：一种边缘增强网络，用于在CT扫描中准确分割肝脏和肿瘤。摘自：Martel，A.L.等人（编辑）MICCAI 2020。LNCS，第12264卷，第512\u2013522页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-59719-1_50“}，{“key”：“32_CR23”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“573”，“doi”：“10.1007\/978-300-59719-1-56”，“volume-title”：”医学图像计算和计算机辅助干预\u2013 MICCAI 2020“，”作者：“Y Tang”，“年份”：“2020”，“非结构化”：“Tang，Y.，Yan，K.，Xiao，J.，Summers，R.M.：一键式病变校正CT扫描上的测量和分割。摘自：Martel，A.L.等人（编辑）MICCAI 2020。LNCS，第12264卷，第573\u2013583页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-59719-1_56“}，{”key“：”32_CR24“，”doi-asserted-by“：”publisher“，”first page“：“172”，”doi“：”10.1016\/j.media.2017.06.014“，”volume“：。图像分析。40，172\u2013183（2017）“，“新闻标题”：“医学图像分析。“}，{”issue“：“3”，”key“：“32_CR25”，”doi-asserted-by“：”publisher“，”first page“：”036501“，”doi“：”10.1117\/1.JMI.5.3.036501”，“volume”：“5”，“author”：“K Yan”，“year”：“2018”，“unstructured”：“Yan，K.，Wang，X.，Lu，L.，Summers，R.M.：DeepLesion：大规模病变注释的自动挖掘和具有深度学习的通用病变检测。医学杂志。Imaging 5（3），036501（2018）“，“journal-title”：“J.Med.Imaging”}，{“key”：“32_CR26”，“unstructured”：“Zhang，H.，et al.：ResNeSt:split-antention networks.arXiv预印本arXiv:2004.08955（2020）”}、{“key”：《32_CR27》，“series-title”：《计算机科学讲义》，“doi-asserted-by”：“publisher”，“first page”:“753”，“doi”：“10.1007\/978-3-07”30-59728-3_73“，”volume-title”：“医学图像计算和计算机辅助干预\u2013 MICCAI 2020”，“作者”：“Zhu”，“年份”：“2020”，”非结构化“：“Zu，Z.，et al.：放射治疗中使用3D CT\/PET成像通过基于距离的门控进行淋巴结大体肿瘤体积检测和分割。摘自：Martel，A.L.等人（编辑）MICCAI 2020。LNCS，第12267卷，第753\u2013762页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-59728-3_73“}]，“container-title”：[“医学图像计算和计算机辅助干预\u2013 MICCAI 2021”，“计算机科学讲义”]，“原始标题”：[]，“链接”：[{“URL”：“https:\//link.springer.com/content\/pdf\/10.10007\/9783-030-87196-3_32”，“内容类型”：“未指定”，“content-version”：“vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2023,1,10]]，”date-time“：”2023-01-10T00:35:40Z“，”timestamp“：1673310940000}，”score“：1，”resource“：{primary”：{“URL”：“https:\/\/link.springer.com\/10007\/978-3-030-87196-3_32”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：“{”日期-parts rts“：[[2021]]}，”ISBN“：[”9783030871956“，”9783030871963“]，”引用计数“：27，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-030-87196-3_32“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，“ISSN-type”：[{“value”：“0302-974”，”type“：”print“}，{“value”：“1611-3399”，”类型“：”electronic“}]，”subject“：[]，”published“：{”date-pa rts“：[[2021]]}，”断言“：[{“value”：“2021年9月21日”，“order”：1，“name”：“first_online，“label”：“first online”，“group”：{“name”：“ChapterHistory”，“label:”Chapter History“}}，{“value”：“MICCAI”，“order”：1，“name”:“conference_acrombit”，“table”：“ConferenceAcronym”，”group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}}”，{”value“：”医学图像计算与计算机辅助干预国际会议“，”order“：2，”name“：”conference_name“，”label“：”会议名称“，”group“：“标签”：“会议国家/地区“，”组“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”2021“，”order“：5，”name“:”Conference_year“，”标签“：”会议年“，”group“：name“：”ConferenceInfo“，”label“：”会议信息“}}，{“value”：“2021年10月1日”，“order”：8，“name”：“Conference_end_date”，“label”：“会议结束日期”，“group”：“：”会议信息“}}，{“value”：“miccai2021”，“order”：10，“name”：“Conference_id”，“label”：“Conference id”，“group”：{“name”:“ConferenceInfo”，“table”：“会议信息”}}会议信息“}}，{”value“：”双盲“，“order”：1，“name”：“type”，“label”：“type”，“group”：｛“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”｝｝，｛“value”：“Microsoft CMT”，“order”：2，“name”：“conference_management_system”，“label”：“会议管理系统”，“group”：｛“name”：“ConfEventPeerReviewInformation”label“：”同行评审信息（由会议组织者提供）“}}，{“value”：“1622”，“order”：3，“name”：“number_of_submissions_sent_for_Review”，“label”：“发送供评审的提交数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息”（由会议主办方提供）name“：”number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，”value“：“0”，”order“：5，”name“：ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{”value“：”33%-该值由等式“接受的全文数”/“发送供评审的提交数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_Full_Papers“，”标签“：”全文接受率”，“group”：｛“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”｝｝，｛“value”：“3”，“order”：7，“name”：“average_number_of_reviews_per_paper”，“label”：“每篇论文的平均评审数”，“group”：｛“name”：“ConfEventPeerReviewInformation”，“label”：“同行评议信息（由会议组织者提供）“}}，{“value”：“4”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息（由大会组织者提供）”}}external_reviewers_involved“，”label“：”涉及的外部审阅者“，”group“：name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”｝｝]｝