{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,6,19]]，“日期-时间”：“2024-06-19T15:19:14Z”，“时间戳”：1718810354301}，“参考-计数”：41，“出版商”：“Springer Science and Business Media LLC”，“问题”：“8”，“许可证”：[{“开始”：{-“日期-零件”：[2021,11,4]]，“时间”：“2021-11-04T00:00:00Z”，“timestamp”：163598400000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springer.com/tdm”}，{“start”：{“date-parts”：[[2021,11,4]]，“date-time”：“2021-11-04T00:00:00Z”，“timetamp”：1655984000000}，”content-versiion“：”vor“，”delay-in-days“：0，”URL“https://www.springer.com/tdm“}]，”内容域“：{”域“：[”link.springer.com“]，“交叉标记限制”：false｝，“短容器标题”：[“Appl Intell”]，“已出版印刷品”：｛“日期部分”：[[2022,6]]｝，“DOI”：“10.1007\\s10489-021-02847-9”，“类型”：“期刊文章”，“已创建”：｛“日期部分”：[[2021,11,4]]，“日期时间”：“2021-11-04T07:02:31Z”，“时间戳”：1636009351000｝，“页面”：“8746-8756”，“更新策略”：“http://\/dx.doi.org \/10.1007\/springer_crossmark_policy”，“source”：“Crossref”、“is-referenced-by-count”：6，“title”：[“胰腺肿瘤分割中基于局部线性嵌入的内插神经网络”]，“prefix”：“10.1007”，《volume》：“52”，“author”：[{“give”：“Xiaoyu”，“family”：“Yang”，“sequence”：“first”，“affiliance”：[]}，{“给定”：“Yufei”，“家族”：“陈”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Xiaodong”，“family”：“越”，“序列”：“additional”、“affidiation”：[]}、{“fixed”：“Chao”，“家族”：“Ma”、“sequences”：“附加的”、“从属关系”：[]}、}“giving”：“Panpan”、”：“famile”：“Yang”、“sequence”:“additionable”、“faliation”:[]}]、“member”：“297”、“published on line”：{“日期部分”：[[2021,11,4]}，“参考”：[{“key”：“2847_CR1”，“doi-asserted-by”：“publisher”，”unstructured“：“Chen MY，Woodruff MA，Kua B，Rukin NJ（2021）使用三维插值快速分割肾肿瘤以计算体积。数字成像杂志。https:\/\/doi.org\/10.10007\/s10278-020-00416-z”，“doi”：“10.1007\/s10248-020-00416-z”}：“publisher”，“unstructured”：“El-Hag NA，Sedik A，El-Banby GM，El-Shafai W，Khalaf AAM，Al-Nuaimy W，Abd El-Samie FE，El-Hoseny HM（2019）《图像插值和融合在脑肿瘤分割中的应用》。《国际生物医学工程数值方法杂志》。https:\//doi.org\/101002\/cnm.3449”，“doi”：“10.1002\/cnm.344”}，{“key”：“2847_CR3”，“doi-asserted-by”：“crossref”，“unstructured”：“Fang C，Li G，Pan C，Liy Y，Yu Y（2019）用于三维胰腺分割的全球引导渐进式融合网络。In：医学图像计算和计算机辅助干预国际会议。Springer，pp 210\u2013218”，“doi”：“10.1007\/978-3-030-32245-8_24”}，{“key”：，“doi-asserted-by”：“crossref”，“unstructured”：“Gao Y，Beijbom O，Zhang N，Darrell T（2016）紧凑双线性池。摘自：IEEE计算机视觉与模式识别会议论文集，第317\u2013326页”，“doi”：“10.1109\/CVPR.2016.41”}，{“key”：“2847_CR5”，“doi-asserted-by”：：“Guo Y，Bi L，Ahn E，Feng D，Wang Q，Kim J（2020）4d动态医学图像的时空体插值网络。摘自：IEEE计算机视觉与模式识别会议论文集，第4726\u20134735页”，“DOI”：“10.1109\/CVPR42600.2020.00478”}，{“key”：“2847_CR6”，“DOI-asserted-by”：“crossref”，“unstructured”：“Guo Z，Zhang L，Lu L，Bagheri M，Summers RM，Sonka M，Yao J（2018）深层逻辑：基于图形的胰腺肿瘤ct扫描深度学习三维分割。收录于：2018年IEEE第15届国际生物医学成像研讨会（ISBI 2018）。IEEE，pp 1230\u20131233”，“DOI”：“10.1109\/ISBI.2018.8363793”}，{“key”：“2847_CR7”，“DOI-asserted-by”：“crossref”，“非结构化”：“\u00c7i\u00e7ek z，Abdulkadir A，Lienkamp SS，Brox T，Ronneberger O（2016）3d u-net：从稀疏注释学习密集体积分割。In：医学图像计算和计算机辅助干预国际会议。Springer，pp 424\u2013432”，“DOI”：“10.1007\/978-3319-46723-8_49”}，{“问题”：“2”，《关键》：“2847_CR8”，“doi-asserted-by”：“publisher”，“first page”：“203”，”doi“：”10.1038\/s41592-020-01008-z“，”volume“：”18“，”author“：”F Isensee“，”year“：”2021“，”unstructured“：”Isensee F，Jaeger PF，Kohl S，Petersen J，Maier-hein KH（2021）nnu-net:一种基于深度学习的生物医学图像分割的自定方法。Nat Methods 18（2）：203\u2013211“，“journal-title”：“Nat Methods”}，{“key”：“2847_CR9”，“doi-asserted-by”：“crossref”，“unstructured”：“Isensee F，Petersen J，Klein A，Zimmerer D，Jaeger PF，Kohl S，Wasserthal J，Koehler G，Norajitra T，Wirkert S et al（2019）nnu-net:基于u-net的医学图像分割的自适应框架。In:Bildverabeitung F\u00fcr die medizin 2019。Springer，pp 22\u201322“，”DOI“：”10.1007\/978-3658-25326-4_7“}，{”issue“：”01“，”key“：”2847_CR10“，”DOI-asserted-by“：”publisher“，”first page“：“147”，“DOI”：“10.1142\/S0219530519410148”，“volume”：“19”，“author”：“F Jia”，“year”：“2021”，“unstructured”：“Jia F，Liu J，Tai XC（2021）一种用于语义图像分割的正则卷积神经网络。Ana Appl 19（01）：147\u2013165“，“journal-title”：“Ana Appr”}，{“key”：“2847_CR11”，“doi-asserted-by”：“crossref”，“unstructured”：“贾H，宋Y，黄H，蔡伟，夏Y（2019）Hd-net：用于mr图像中前列腺分割的混合判别网络。参加：医学图像计算和计算机辅助干预国际会议。Springer，pp 110\u2013118“，”DOI“：”10.1007\/978-3-030-32245-8_13“}，{”issue“：”12“，”key“：”2847_CR12“，”DOI-asserted-by“：”publisher“，“首页”：“2663”，“DOI”：“10.1109\/TMI.2018.2845918”，“volume”：“37”，“author”：“X Li”，“year”：“2018”，“unstructured”：“Li X，Chen H，Qi，Dou Q，Fu CW，Heng PA（2018）H-denseunet：混合密集连接的unet，用于从ct体积中分割肝脏和肿瘤。IEEE Trans Med Imaging 37（12）：2663\u20132674“，”journal-title“：”IEEE Trans-Med Imaging“}，{”key“：”2847_CR13“，”doi-asserted-by“：”publisher“，”first page“：“193”，“doi”：“10.1016\/j.radonc.2020.01.021”，“volume”：“145”，”author“：”Y Liang“，“year”：“2020”，“unstructured”：“Liang Y，Schott D，Zhang Y，Wang Z，Nasief H，Paulson E，Hall W，Knechtges P，Erickson B，Li XA（2020）使用深卷积神经网络在多参数mri中对胰腺肿瘤进行自动分割。Radiother Oncol 145:193\u2013200“，“journal-title”：“Radiother-Oncol”}，{“key”：“2847_CR14”，“doi-asserted-by”：“crossref”，“unstructured”：“Liu S，Xu D，Zhou SK，Pauly O，Grbic S，Mertelmeier T，Wicklein J，Jerebko A，Cai W，Comaniciu D（2018）三维各向异性混合网络：将卷积特征从二维图像传输到三维各向异性体。收录人：Frangi AF、Schnabel JA、Davatzikos C、Alberola-L\u00f3pez C、Fichtinger G（eds）Medical Image Computing and Computer Assisted Intervention\u2013 MICCAI 2018。Springer International Publishing，第851\u2013858页，“DOI”：“10.1007\/978-3-030-00934-2_94”}，{“key”：“2847_CR15”，“DOI-asserted-by”：“publisher”，“first page”：”2906“，”DOI“：”10.1109\/ACCES.2019.2961125“，”volume“：”8“，”author“：”S Liu“，”year“：”2019“unstructured”：“Liu S，Yuan X，Hu R，Liang S，Feng S，Ai Y，Zhang Y（2019）通过粗略定位和集成学习实现胰腺的自动分割。IEEE Access 8:2906\u20132914“，”journal-title“：”IEEE Access“}，{“key”：“2847_CR16”，“unstructured”：“Maheshwari H，Goel V，Sethuraman R，Sheet D（2021）Distilit DSM:分割医学成像卷的计算效率方法。In:medical imaging with Deep Learning。https:\/\/openreview.net\/forum？id=_n48l6YKc6d”}，“{”key“：”2847_CR17“，”doi-asserted-by“：”crossref“，”unstructured“：”Milletari F，Navab N，Ahmadi SA（2016）V-net：用于体积医学图像分割的完全卷积神经网络。2016年第四届三维视觉国际会议，第565\u2013571页。IEEE“，”DOI“：“10.1109\/3DV.2016.79”}，{“key”：“2847_CR18”，“DOI-asserted-by”：“crossref”，“unstructured”：“Mo Y，Liu F，McIlwraith D，Yang G，Zhang J，He T，Guo Y（2018）deep poincar\u00e9图：一种新的左心室分割方法。参加：医学图像计算和计算机辅助干预国际会议。Springer，pp 561\u2013568“，“DOI”：“10.1007\/978-3-030-00937-3_64”}，{“key”：“2847_CR19”，“DOI-asserted-by”：“crossref”，“unstructured”：“聂D，高Y，王L，沈D（2018）Asdnet：用于医学图像分割的基于注意力的半监督深度网络。参加：医学图像计算和计算机辅助干预国际会议。Springer，pp 370\u2013378“，“DOI”：“10.1007\/978-3-030-00937-3_43”}，{“key”：“2847_CR20”，“unstructured”：“Oktay O，Schlemper J，Folgoc LL，Lee M，Heinrich M，Misawa K，Mori K，McDonagh S，Hammerla NY，Kainz B（2018）注意u-net：学习在哪里寻找胰腺。arXiv:1804.03999”}、{“key”：“28.47_CR21”，“DOI-asserted-by”：“cross”参考“，”非结构化”：“Peng C，Lin WA，Liao H，Chellappa R，Zhou SK（2020）Saint:用于医学切片合成的空间感知插值网络。摘自：IEEE计算机视觉和模式识别会议论文集，第7750\u20137759页“，”DOI“：”10.1109\/CVPR42600.2020.00777“}，{“问题”：“3”，“密钥”：“2847_CR22”，“DOI-asserted-by”：“发布者”，“首页”：“1067”，“DOI”：“10.1007\/s00330-018-5662-1”，“卷”：“29”，“作者”：“K Sandrasegaran”，“年份”：“2019”，“非结构化”：“Sandrasegaran K，Lin Y，Asare Sawiri M，Taiyini T，Tann M（2019）胰腺癌的Ct纹理分析。Eur Radiol 29（3）：1067\u20131073“，“journal-title”：“Eur Radio”}，{“key”：“2847_CR23”，“doi-asserted-by”：“publisher”，“unstructured”：“Shi G，Xiao L，Chen Y，Zhou SK部分监督多器官分割的边际损失和排除损失70:101979。https:\/\/doi.org\/10.1016\/j.media.2021.101979。https:\/\/linkinghub.elsevier.com/retrieve\/pii\/S1361841521000256“，”DOI“：”10.1016\/j.media.2021.101979“}，{“key”：“2847_CR24”，“DOI-asserted-by”：“crossref”，“unstructured”：“Shi W，Caballero j，Husz\u00e1r F，Totz j，Aitken AP，Bishop R，Rueckert D，Wang Z（2016）使用高效的亚像素卷积神经网络实现实时单图像和视频超分辨率。摘自：IEEE计算机视觉和模式识别会议论文集，第1874\u20131883页，“DOI”：“10.1109\/CVPR.2016.207”}，{“issue”：“1”，“key”：“2847_CR25”，“DOI-asserted-by”：“publisher”，“first page”：10.3322 \/caac.21590“，“卷”：“70”，“作者”：“RL Siegel”，“年份”：“2020”，“非结构化”：“Siegel RL，Miller KD，Jemal A（2020）癌症统计，2020。CA癌症临床杂志70（1）：7\u201330“，”杂志标题“：”CA癌症临床期刊“}，{“key”：“2847_CR26”，“unstructured”：“Simpson AL、Antonelli M、Bakas S、Billello M、Farahani K、van Ginneken B、Kopp-Schneider A、Landman BA、Litjens G、Menze B、Ronneberger O、Summers RM、Bilic P、Christ PF、Do RKG、Gollub M、Golia-Pernicka J、Heckers SH、Jarnagin WR、McHugo MK、Napel S、Vorontsov E、Maier-Hein L、Cardosoo MJ（2019）用于开发和评估分割算法的大型注释医学图像数据集“}，{”issue“：”2“，”key“：”2847_CR27“，”doi-asserted-by“：”publisher“，”first page“：“119”，”doi“：”10.5152\/ejbh.2019.4547“，”volume“：：”15“，”author“：”O Tayda\u015f“，”year“：”2019“，”unstructured“：”Tayda \u015f O.，Durhan G，Akp \u0131nar MG，Demirkaz \u0131 k FB（2019）接受新辅助化疗的乳腺癌患者肿瘤大小评估中mri和us的比较。《欧洲乳腺健康杂志》15（2）：119“，”journal-title“：”Eur J Breast Health“}，{“issue”：“4”，“key”：“2847_CR28”，“doi-asserted-by”：“publisher”，“first-page:”600“，”doi“：”10.1109\/TIP.2003.819861“，”volume“：”13“，”author“：”Z Wang“，”year“：”2004“unstructured”：“Wang Z，Bovik AC，Sheikh HR，Simoncelli EP（2004）图像质量评估：从错误可见性到结构相似性。IEEE Trans Image Process 13（4）：600\u2013612”，“journal-title”：“IEEE Trans-Image Process”}，{“key”：“2847_CR29”，“unstructured”：“Wu Z，Wei J，Yuan W，Wang J，Tasdizen T（2020）基于帧内插的片间图像增强，以提高医学图像分割精度。arXiv:20011.1698”}非结构化”：“Xia Y，Xie L，Liu F，Zhu Z，Fishman EK，Yuille AL（2018）使用体积融合网络缩小二维和三维器官分割之间的差距。收录人：Frangi AF、Schnabel JA、Davatzikos C、Alberola-L\u00f3pez C、Fichtinger G（eds）Medical Image Computing and Computer Assisted Intervention\u2013 MICCAI 2018。施普林格国际出版公司，第445\u2013453页，“DOI”：“10.1007\/978-3-030-00937-3_51”}，{“key”：“2847_CR31”，“DOI断言”：“crossref”，“非结构化”：“Xia Y，Xie L，Liu F，Zhu Z，Fishman EK，Yuille AL（2018）利用体积融合网络缩小二维和三维器官分割之间的差距。参加：医学图像计算和计算机辅助干预国际会议。Springer，pp 445\u2013453“，“DOI”：“10.1007\/978-3-030-00937-3_51”}，{“key”：“2847_CR32”，“DOI-asserted-by”：“publisher”，“unstructured”：“Yang D，Roth H，Xu Z，Milletari F，Zhang L，Xu D三维医学图像分割的强化学习搜索学习策略沈D，Liu T，Peters TM，Staib LH，Essert C，Zhou S，Yap PT，Khan A（eds）第11765卷，施普林格国际出版公司。https:\/\/doi.org\/10.1007\/978-3-030-32245-8_1。迪卡侬“，“DOI”：“10.1007\/978-3-030-32245-8_1”}，{“key”：“2847_CR33”，“DOI-asserted-by”：“crossref”，“unstructured”：“于Q，石毅，孙杰，高毅，朱洁，戴毅（2019）Crossbar-net:一种用于ct图像中肾脏肿瘤分割的新型卷积神经网络。IEEE Transactions on Image Processing”，“DOI:”10.1109\/TIP.2019.2905537“}，}“key:”2847_CR14“，”doi-asserted-by“：”publisher“，”first-pages“：”9032“，”doi“：”10.1109\/TIP.2020.3023609“，”volume“：”29“，”author“：”D Zhang“，”year“：”2020“，”unstructured“：”Zhang D，Huang G，Zhang Q，Han J，Han J.，Wang Y，Yu Y（2020）探索多模态mr图像脑肿瘤分割的任务结构。IEEE Trans-Image Process 29:9032\u20139043“，“journal-title”：“IEEE Trans-Image Process”}，{“issue”：“107”，“key”：“2847_CR35”，“首页”：“562”，“volume”：”110“，“author”：“D Zhang”，“year”：“2021”，“unstructured”：“Zhang D，Huang G，Zhang Q，Han J，Han J.，Han，Yu Y（2021）用于脑肿瘤分割的跨模态深度特征学习。模式识别110（107）：562“，”journal-title“：”Pattern Recogn“}，{”key“：”2847_CR36“，”doi-asserted-by“：”publisher“，”unstructured“：”Zhang J，Cui Y，Lu S，Xiao L（2017）基于高斯加权欧氏距离和非线性插值的多层图像分割。2017年第十届国际图像和信号处理、生物医学工程和信息学大会（CISP-BMEI），第1\u20135页。https:\/\/doi.org\/10.109\/CISP-BMEI.2017.8302195“，”doi“：”10.1109\/CISP-BMEI.20178302195“}，{“key”：“2847_CR37”，“doi-asserted-by”：“publisher”，“first page”：”45“，“doi”：“10.1016\/j.mri.2020.1.008”，“volume”：：“68”，“author”：“H Zheng”，“year”：“2020”，“unstructured”：“Zheng H，Chen Y，Yue X，Ma C、刘X、杨鹏、陆杰（2020）具有阴影集不确定区域的胰腺深度分割。Magn Reson Imaging 68:45\u201352“，“journal-title”：“Magn Reson Imaging”}，{“key”：“2847_CR38”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhou Y，Li Y，Zhang Z，Wang Y，Wang A，Fishman EK，Yuille AL，Park S（2019）用于多期胰腺导管腺癌分割的超打印网络。参加：医学图像计算和计算机辅助干预国际会议。Springer，pp 155\u2013163“，“DOI”：“10.1007\/978-3-030-32245-8_18”}，{“key”：“2847_CR39”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhou Y，Xie L，Fishman EK，Yuille AL（2017）腹部ct扫描中胰腺囊肿分割的深度监督。参加：医学图像计算和计算机辅助干预国际会议。Springer，pp 222\u2013230“，“DOI”：“10.1007 \/978-3-319-66179-7_26”}，{“key”：“2847_CR40”，“DOI-asserted-by”：“publisher”，“unstructured”：“Zhu Z，Liu C，Yang D，Yuille A，Xu D（2019）V-nas:Neural architecture search for volument medical image segmentation。In:2019 International conference on 3d vision（3DV），pp 240\u2013248。https:\/\/doi.org\/10.109\/3DV.2019.00035“，”doi“：”10.1109\/3DV.2019.00035“}，{“key”：“2847_CR41”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhu Z，Xia Y，Xie L，Fishman EK，Yuille AL（2019）多尺度粗-细分割筛查胰腺导管腺癌。年：国际医学图像计算和计算机辅助干预会议。Springer，pp 3\u201312“，“DOI”：“10.1007\/978-3-030-32226-7_1”}]，“container-title”：[“应用智能”]，“原始标题”：[]，“语言”：“en”，“链接”：[{“URL”：“https:\/\/link.Springer.com\/content\/pdf\/10.10007\/s10489-021-02847-9.pdf”，“内容类型”：“application\/pdf”、“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：https:\/\/link.springer.com/article\/10.1007\/s10489-021-02847-9\/fulltext.html“，“内容类型”：“文本\/html”，“内容版本”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\//link.springer\com/content\/pdf\/10007\/s10489-021-0247-9.pdf”，“content-type”：“application\/pdf”，“content-version”：“vor”，“intended-aapplication”“：”相似性检查“}”，“存放”：{“date-parts”：[[2022,5,30]]，“date-time”：“2022-05-30T09:15:44Z”，“timestamp”：165390214400}，“score”：1，“resource”:{“primary”：{“URL”：“https:\\/link.springer.com\/10.10007\/s10489-021-02847-9”}}，”subtitle“：[]，”shorttitle“：[]，”issued“：{”date-part“[2021,1,4]]}，“references-count”：41，“journal-issue”：{“issue”：“8”，“published-print“：{“date-parts”：[[2022,6]]}}，“alternative-id”：[“2847”]，“URL”：“http://\/dx.doi.org\/10.1007\/s10489-021-02847-9”，“relation”：{}，”ISSN“：[“0924-669X”，“1573-7497”]，”ISSN-type“：[{”value“：”0924-6669X“，”type“”：“print”}，{“value”：“1573-7797”，“type”：“电子”}]，“主题”：[]，“发布”：{“日期部分”：[[2021,11,4]]}，“断言”：[{“值”：“2021年9月13日“，”订单“：1，”名称“：”已接受“，”标签“：”接受“，“组”：{“名称”：“ArticleHistory”，“标签”：“文章历史”}}，{“值”：“2021年11月4日”，“订单”：2，“名称”:“first_online”，“label”：“first online”，”组“：