{“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”：[[2024,9,11]]，“日期-时间”：“2024-09-11T07:14:51Z”，“时间戳”：1726038891398}，“引用-计数”：91，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：“日期-零件”：[[2021,9,1]]，”日期-时间“：”2021-09-01T00:00:00 0:00Z“，”时间戳“：1630454400000}，”内容-版本“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[[2022,8,5]]，“date-time”：“2022-08-05T00:00:00Z”，“timestamp”：16596576000000}，“content-version”：“am”，“delay-in-days”：338，“URL”：“http://\/www.elsevier.com\/open-access\/userlicense\/1.0\/“}，{“开始”：{“日期部分”：[[2021,9,1]]，“日期时间”：“2021-09-01T00:00:00Z”，“timestamp”：1630454400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-017”}，{“start”：{“date-parts”：[[2021,9,1]]，“date-time”：“2021-09-01T00:00Z”，”timestamp“1630454400000}，”content-versiion“：”stm-asf“，”delay-in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-037“}，{“start”：{“date-parts”：[[2021,9,1]]，“date-time”：“2021-09-01T00:00:00Z”，“timestamp”：1630454400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-012”}，{“start”：{《date-part》：[[20201,9,1]，“日期-时间”：“2011-09-01T_00:00:0Z”，《timestamp》：1630454400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2021,9,1]]，“date-time”：“2021-09-01T00:00:00Z”，“timestamp”：1630454400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“http:\/\/doi.org\/10.15.223\/plicy-004”}]，“出资人”：[{“doi”：“10.1303”9\/501100001665“，”name“：”ANR“，”doi-asserted-by“：”publisher“，”id“：[{”id“：“10.13039\/501100001665”，“id-type”：“DOI”，“asserted-by”：“publisher”}]}]，“content-domain”：{“domain”:[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[“计算机视觉和图像理解”]，”published-print“：{”date-parts“：[2021,9]]}，”DOI“：”10.1016\/j.cviu.2021.03248“，“type”：“journal-article”，“created”：｛“日期部分”：[[2021,7,21]]，“日期-时间”：“2021-07-21T19:18:34Z”，“时间戳”：1626895114000｝，“页面”：“103248”，“更新策略”：“http:\/\/dx.doi.org/10.1016\/elsevier_cm_policy”，“来源”：“Crossref”，“由计数引用”：53，“special_numbering”：“C”，“title”：[“医学图像分割的高级先验损失函数：调查”]，“前缀”：“10.1016”，“卷”：“210”，“作者”：[{“ORCID”：“http://\/ORCID.org\/00000-0003-0509-9620”，“authenticated-ORCID”：false，“给定”：“Rosana”，“家族”：“El Jurdi”，“sequence”：“first”，“affiliation”：[]}，{“given”：”Caroline“，”family“：”Petitjean“，”sequence“：”additional“，”affiliance“：[]{”，{”ORCID“http://\-ORCID.org \/00000-0002-3042-183X“，”认证证书“：false，“given”：“Paul”，“family”：“Honeine”，“sequence”：“additional”，“affiliation”：[]}，{“ORCID”：”http://\/ORCID.org\/00000-0003-0176-9324“，“authenticated-ORCID”：false“，”given“：”Veronika“，”family“：”Cheplygina“，”sequence“：”additional]}]，“成员”：“78”，“引用”：[{“key”：“10.1016\/j.cviu.2021.103248_b1”，“series-title”：《肌肉骨骼成像的计算方法和临床应用》，“首页”：“12”，“article-title”：“用于椎体分割的Shape-aware深度卷积神经网络”，“author”：“Arif”，“year”：“2018”}，{“key”：：“Medical Imaging 2008:Image Processing，Vol.6914”，“article-title”：“用于医学图像分割的区域优先约束水平集进化”，“author”：“Ayed”，“year”：“2008”}，{“key”：“10.1016\/j.cviu.2021.103248_b3”，“series-title”：MICCAI的STACOM“，”article-title“：“探索心脏MR图像分割的2D和3D深度学习技术”，“author”：“Baumgartner”，“year”：“2017”}，{“key”：“10.1016\/j.cviu.2021.103248_b4”，“series-title”：“MICCAI，Vol.9901”，“first page”：”460“article-title”：”组织学腺体分割的拓扑感知完全卷积网络“，”author“：”BenTaieb，“年份”：“2016”}，{“问题”：“11”，“关键”：“10.1016\/j.cviu.2021.103248_b5”，“doi-asserted-by”：“crossref”，“首页”：“2514”，“doi”：“101109\/TMI.2018.2837502”，“文章标题”：“MRI心脏多结构自动分割和诊断的深度学习技术：问题解决了吗？”，“卷”：“37”，“作者”：“Bernard”，“年份“：2018”，“journal-title“：”IEEE Trans。医学成像“}，{“key”：“10.1016\/j.cviu.2021.103248_b6”，“series-title”：“凸优化”，“author”：“Boyd”，“year”：“2004”}，“issue”：“2”，“key“：”10.1016\/j.cviu.2021.03248_b 7“，”doi-asserted-by“：”crossref“，”first page“：“109”，”doi“：”101007\/s1123-006-7934-5“，”article-title“：”Graph cuts和高效ND图像分割”，“卷”：“70”，“作者”：“博伊科夫，“年份”：“2006年”，“新闻标题”：“国际计算机杂志”。视觉。“}，{”key“：”10.1016\/j.cviu.2021.103248_b8“，”series-title“：”心脏M&M和EMIDEC挑战的统计图谱和计算模型“，”first page“：“3”，”article-title“：“心脏MRI多类CNN分割的基于持久同源性的拓扑丢失函数”，“author”：“Byrne”，“year”：“2021”}，”{“key”：“”10.1016\/j.cviu.2021.103248_b9“，“非结构化”：“Caliva，F.，Iriondo，C.，Martinez，A.M.，Majumdar，S.，Pedoia，V.，2019。语义分割的距离图丢失惩罚术语。参加：2013年医学影像与深度学习国际会议，英国伦敦，https:\/\/openreview.net\/forum？id=B1eIcvS45V。“}，{”key“：”10.1016\/j.cviu.2021.103248_b10“，”series-title“：”MICCAI“，”first page“：“424”，”article-title“：“3D U-net：从稀疏注释学习密集的体积分段”，“volume”：“9901”，“author”：“\u00c7i\u00e7ek”，“year”：“2016”}，“issue”：“29”，“key”：”10.116\/j.cviu.202.103248_b11“，”doi-asserted-by“”：“crossref”，“first page”：“21771”，“doi”：“10.1007\/s11042-020-08898-3“，“文章标题”：“MR图像脑肿瘤检测技术的调查”，“卷”：“79”，“作者”：“Chahal”，“年份”：“2020”，“期刊标题”：《多媒体工具应用》。“｝，｛”key“：”10.1016\/j.cviu.20211030248_b12“，”系列标题“：”ICML，PMLR“，”第一页“：”961“，”文章标题“：”关于从损坏的标签中学习的对称损失“，”作者“：”Charoenpakdee“，”年份“：”2019“｝，｛”key“：”10.1016\/j.cviu.20211030248_b13“，”doi断言“：”crossref“，”第一页“：”25“，”doi“：”10.3389\/fcvm.2020.00025“，”文章标题“：”心脏图像分割深度学习：综述”，“卷”：“7”，“作者”：“陈”，“年份”：“2020年”，“新闻标题”：“前沿”。心血管疾病。医学“}，{”key“：”10.1016\/j.cviu.2021.103248_b14“，”article-title“：”图像处理应用的近端内点算法“，”author“：”Chouzenoux“，”year“：”2019“，”journal-title”：“j.Math.Imaging Vis使用持久同源性进行基于深度学习的图像分割的拓扑损失函数”，“author”：“Clough”，“year”：“2020”，“journal-title”：“IEEE Trans。模式分析。机器。智力。“}，{”issue“：”1“，”key“：”10.1016\/j.cviu.2021.103248_b16“，”doi-asserted-by“：”crossref“，”first page“：“38”，“doi”：“10.1006\/cviu.1995.1004”，“article-title”：“Active shape models-their training and application”，“volume”：“61”，“author”：“Cootes”，”year“：”1995“，”journal-title“：”Compute.Vis.Image Underst.“}”，{“issue”：“2“，”键“：”10.1016\/j.cviu.2021.103248_b17“，”doi-asserted-by“：”crossref“，”first page“：”195“，“doi”：“10.1007\/s11263-006-8711-1”，“article-title”：“水平集分割统计方法综述：整合颜色、纹理、运动和形状”，“volume”：“72”，“author”：“Cremers”，“year”：“2007”，“journal-title“：”Int.j.Compute。视觉。“}，{”issue“：”1“，”key“：”10.1016\/j.cviu.2021.103248_b18“，”doi-asserted-by“：”crossref“，”first page“：“143”，”doi“：”101007\/s12530-019-09297-2“，“article-title”：“乳腺癌图像分析深度学习调查”，“volume”：“11”，“author”：“Debele”，“year”：“2020”，“journal-title“：”Evol.Syst.“}\/j.cviu.2021.103248_b19“，”series-title“：”MICCAI”，“首页”：“755”，“文章标题”：“分段的无偏形状紧凑度”，“作者”：“Dolz”，“年份”：“2017”}，{“关键”：“10.1016\/j.cviu.2021.03248_b20”，“非结构化”：“El\u00a0Jurdi，R.，Petitjean，C.，Honeine，P.，Abdallah，F.，2019。弱注释CT图像中器官分割的初步研究。参加：第27届GRETSI信号与图像处理研讨会，法国里尔。“}，{”issue“：”6“，”key“：”10.1016\/j.cviu.2021.103248_b21“，”doi-asserted-by“：”crossref“，”first-page“：”1189“，”doi“：”101109\/JSTSP.2020.3001502“，”article-title“：”BB-UNet:前面有边界框的U-net“，”volume“：“14”，“author”：“El Jurdi”，“year”：“2020”，“journal-title”：“IEEE j.Sel.Top.Sign.Proces.”}，{“问题”：“1”，“密钥”：“10.1016\/j.cviu.2021.103248_b22“，”doi-asserted-by“：”crossref“，”first page“：”68“，”doi“：”10.1007\/s11263-008-0163-3“，”article-title“：”活动轮廓的多参考形状先验”，“volume”：“81”，“author”：“Fouloneau”，“year”：“2009”，“journal-title”：“Int.j.Compute。视觉。“}，{”key“：”10.1016\/j.cviu.2021.103248_b23“，”series-title“：”A Priori Et Apprentissage Profond Pour La Segmentation En Imagerie C\u00e9r\u00e9 brale“，”author“：”Ganaye“，”year“：”2019“}“key”：“10.1016\/j.cvu.2021.03248_b24”，“doi-asserted-by”：“crossref”，“doi”：”10.116\/j.media.2019.19 01551“，”文章标题“：”使用半监督非邻接约束消除分割不一致”，“卷”：“58”，“作者”：“Ganaye”，“年份”：“2019”，“新闻标题”：“医学图像”。Ana“}，{”key“：”10.1016\/j.cviu.2021.103248_b25“，”series-title“：“图像处理与图形分析”，“首页”：“111”，“article-title”：“使用图形方法进行目标图像分割”，“author”：“Grady”，“year”：“2012”}，“key”：“10.1016\\j.cviu.2021.03248_526”，“article-title”：“生物医学图像分割的深度学习方法”，“卷：“18”，“作者”：“黑客”，“年份”：“2020年”，“新闻标题”：“通知”。Med.Unlocked“}，{“key”：“10.1016\/j.cviu.2021.103248_b27”，“series-title”：“健康信息学的机器学习：现状和未来挑战”，“首页”：“125”，“article-title”：《MRI中局灶性脑病理分段的深度学习趋势》，“author”：“Havaei”，“year”：“2016”}，}“issue”：“4”，“key“10.1016”，“j.cviu.2021.03248_b28”，“”doi-asserted-by“：”crossref“，”first page“：”543“，”doi“：”10.1016\/j.media.2009.05.004“，”article-title“：”3D医学图像分割的统计形状模型：综述“，”volume“：“13”，“author”：“Heimann”，“year”：“2009”，“journal-title”：“Med.image Anal”。“}，{”key“：”10.1016\/j.cviu.2021.103248_b29“，”doi-asserted-by“：”crossref“，”doi“：”101007\/s10278-019-00227-x“，”article-title“：”医学图像分割深度学习技术：成就与挑战“，”volume“：“32”，”author“：”Hesamian“，”year“：”2019“，“journal-title”：“j.Digital Imaging”}，”{“key”：“10.1016//j.cviu.2021.03248_b30”，“series-title“：“神经信息处理系统的进展”，“首页”：“5657”，“文章标题”：“保持拓扑的深度图像分割”，“卷”：“32”，“作者”：“胡”，“年份”：“2019”}，{“键”：“10.1016\/j.cviu.2021.103248_b31”，“series-title”：“使用离散莫尔斯理论的拓扑感知分割”，”author“：”胡“，”年份“：”2021“}，”{“关键”：“”10.1016\/j.cviu.2021.103248_b32“，”doi-asserted-by“：”crossref“，”unstructured“：”胡、H.、郑、Y.、周、Q.、肖、j.、陈、S.、关、Q.，2019年。MC-Unet：相位对比显微镜图像中膀胱癌细胞分割的多尺度卷积解。在：2019年IEEE国际生物信息学和生物医学会议（BIBM），第1197-1199页通过时间序列分割和领域特定特征对电影-MRI进行心脏病自动评估”，“作者”：“Isensee”，“年份”：“2018”}，{“关键”：“10.1016\/j.cviu.2021.103248_b34”，“系列标题”：“Bildverabitung F\u00dcR Die Medizin 2019”，“首页”：“22”，“文章标题”：NnU-Net：基于U-Net的医学图像分割的自适应框架”，“author”：“Isensee”，“year”：“2019”}，{“key”：“10.1016\/j.cviu.2021.103248_b35”，“series-title”：“MICCAI心脏统计图谱和计算模型研讨会”，“first page”：Jang“，”year“：“2018”}，{“key”：“10.1016\/j.cviu.2021.103248_b36”，“doi-asserted-by”：“crossref”，“首页”：“1257”，“doi”：“101007\/s00521-017-3158-6”，“article-title”：“基于深度学习的医学图像语义分割”，“volume”:“29”，“author”：“Jiang”，”year:“2017”，“journal-title“：”Neural Compute.Appl.“}，”{“key”：”10.1016 016\/j.cviu.2021.103248_b37“，”series-title“：”医学成像与深度学习“，”首页“：”285“，”文章标题“：”高度不平衡分割的边界损失“，”卷“：”102“，”作者“：”Kervadec“，”年份“：”2019“}，{“key”：“10.1016\/j.cviu.2021.03248_b38”，“doi-asserted-by”：“crossref”，“首页”：“88”，“doi”：“10.0016\/j.media.2019.02.009”，“文章标题”：“”弱监督分割的约束-CNN损失”，“数量”：“54”，“作者”：“Kervadec”，“年份”：“2019年”，“新闻标题”：“医学图像分析”。“}，{”key“：”10.1016\/j.cviu.2021.103248_b39“，”series-title“：“深度学习医学成像”，”article-title“：”弱监督分割的边界框：“全局约束接近完全监督”，“author”：“Kervadec”，“year”：“2020”}，”{受限深度网络：通过对数载波扩展实现拉格朗日优化”，“author”：“Kervadec”，“year”：“2019”}，{“key”：“10.1016\/j.cviu.2021.103248_b41”，“doi-asserted-by”：“crossref”，“first page”：”1856“，“doi”：“101109\/TIP.2019.2941265”，“article-title”：“Mumford-Shah Loss functional for image segment with de-learning”，“volume”：作者：“Kim”，“year”：“2020”，“journal-title”：“IEEE Trans。图像处理。“}，{”key“：”10.1016\/j.cviu.2021.103248_b42“，”article-title“：”组织病理学图像分析中乳腺癌的检测、分割和分类：系统综述“，”author“：”Krithiga“，”year“：”2020“，”journal title“：“Arch.Compute.Methods EngIEEE计算机视觉国际会议论文集”，“首页”：“9207”，“article-title”：“Shapemask:Learning to segment the new objects by refine shape priors”，“author”：“Kuo”，“year”：“2019”}，{“key”：“10.1016\/j.cviu.2021.103248_b44”，“doi-asserted-by”：“crossref”，“unstructured”：“Lambert，Z.，Petitjean，C.，Guyader，C.L.，2021。用于CT图像分割的几何约束深度网络。摘自：IEEE生物医学成像国际研讨会（ISBI）。“，”DOI“：”10.1109\/ISBI48211.2021.9434088“}，”{“key”：“10.1016\/j.cviu.2021.03248_b45”，“series-title”：“医学图像分割使用深度学习：调查”，“author”：“Lei”，“year”：“2020”}，“issue”：“6”109\/72.286888“，”文章标题“：”关于用神经网络解决约束优化问题：惩罚方法”，“卷”：“4”，“作者”：“Lillo”，“年份”：“1993年”，“期刊标题”：“IEEE Trans。神经网络。“｝，｛”key“：”10.1016\/j.cviu.201.103248_b47“，”系列标题“：”ICCV“，”首页“：”2999“，”文章标题“：”密集物体检测的焦点损失“，”作者“：”Lin“，”年份“：”2017“｝，｛”key“：”10.1016\/j.cviu.201.103248_b48“，”doi断言“：”crossref“，”首页“：”60“，”doi“：”10.1016\/j.media.2017.07.005“，”文章标题“：”《医学图像分析深度学习调查》，“卷”：“42”，“作者”：“Litjens”，“年份”：“2017年”，“期刊标题”：“医学图像分析”。“}，{”key“：”10.1016\/j.cviu.2021.103248_b49“，”series-title“：“IEEE CVPR”，“首页”：“1”，”article-title“：”标签及其应用程序上具有排序约束的图形剪切“，”author“：”Liu“，”year“：”2008“}”，{“key”：“10.1016\\j.cviu.2021.10328_b50”，“series-title”：“CVPR“，”first page“：语义分割的完全卷积网络”，“author”：“Long”，“year”：“2015”}，{“key”：“10.1016\/j.cviu.2021.103248_b51”，“series-title”：“医学图像计算与计算机辅助干预（MICCAI）程序”，“首页”：“642”，“文章标题”：“使用非刚性配准对基于Atlas的三维心脏MR图像进行分割和跟踪”，“author”：“Lorenzo-Valdes”，“year”：“2002”}，{“issue”：“2”，“key”：“10.1016\/j.cviu.2021.03248_b52”，“doi-asserted-by”：“crossref”，《doi》：“10.3390\/jimaging7020019”，“article-title”：“脑肿瘤分割的深度学习：最新研究”，“volume”：7“，”author“：”Magadza“，”year“：”2021“，”journal-title“：”J.Imaging“}，{”key“：”10.1016\/J.cviu.2021.103248_b53“，”unstructured“：”Marquez-Niela，P.，Salzmann，M.，Fua，P.“，2017。对深层网络施加硬约束：承诺与限制。参加：CVPR计算机视觉负面结果研讨会。“｝，｛”key“：”10.1016\/j.cpviu.2021.103248_b54“，”doi断言“：”crossref“，”doi“：”10.1016\/j.com.pbiomed.2011.05.018“，”文章标题“：”放疗深度学习调查“，”卷“：”98“，”作者“：”Meyer“，”年份“：”2018“，”期刊标题“：”Comput.Biol.Med.“｝，｛”key“：”10.1016\/j.cpviu.2021.103248_b55“，”系列标题“：”2016年第四届国际3D视觉会议（3DV）”，“首页”：“565”，“文章标题”：“V-NEt:用于体积医学图像分割的完全卷积神经网络”，“作者”：“Milletari”，“年份”：“2016”}，{“关键”：“10.1016\/j.cviu.2021.103248_b56”，“系列标题”：”Morse理论。（AM-51）“，”作者“：”Milnor“，”年份“：”2016“}10.1016\/j.cviu.2021.103248_b57“，“series-title”：“MICCAI，Vol.11073”，“首页”：“737”，“article-title”：“用于皮肤病变分割的完全卷积网络之前的星形”，“author”：“Mirikharaji”，“year”：“2018”}，{“key”：超越拓扑感知描绘的像素损失”，“作者”：“Mosinska”，“年份”：“2018”}，{“key”：“10.1016\/j.cviu.2021.103248_b59”，“series-title”：“数值优化”，“首页”：“488”，“文章标题”：“惩罚、障碍和增广拉格朗日方法”，“年”：“1999”}、{“密钥”：“0.1016\/j.cviu.2021.03248_560”，“序列标题”：结合医学图像分割中的先验知识：调查”，“作者”：“Nosrati”，“年份”：“2016”}，{“key”：“10.1016\/j.cviu.2021.103248_b61”，“series-title”：“MICAI”，“首页”：“228”，“文章标题”：“BESNet：组织病理学图像中细胞的边界增强分割”，“author”：“Oda”，“year”：“2018”}、{“issue”：“2”，“key“10.1016\/j.cviu.2021.103248_b62“，”doi-asserted-by“：”crossref“，”first page“：”384“，”doi“：”10.1109\/TMI.2017.2743464“，“article-title”：“解剖约束神经网络（ACNNs）：应用于心脏图像增强和分割”，“volume”：“37”，“author”：“Oktay”，“year”：“2018”，“journal-title“：”IEEE Trans。医学成像“}，{“key”：“10.1016\/j.cviu.2021.103248_b63”，“series-title”：“ICCV”，“首页”：“1796”，“文章标题”：“弱监督分割的约束卷积神经网络”，“author”：“Pathak”，“year”：“2015”}，}“key”：10.1016\/j.neunet.2020.07.011“，“article-title”：“弱监督分割的离散约束深度网络”，“volume”：“130”，“author”：“Peng”，“year”：“2020”，“journal-title“：”Neural Netw。Off.J.国际神经网络。Soc.“}，{”key“：”10.1016\/j.cviu.2021.103248_b65“，”series-title“：“医学成像与深度学习”，”article-title“：”使用先验驱动预测函数对医学图像进行语义分割时的深度卷积偏倚“，”author“：”Petit“，”year“：”2019“}”，{article-title“：“学习并合并语义分割的形状模型”，“author”：“Ravishankar”，“year”：“2017”}，{“key”：“10.1016\/j.cviu.2021.103248_b67”，“series-title”：“计算视觉和生物力学的讲义”，“doi-asserted-by”：“crossref”，“first page”：”323“，“doi”：“101007\/978-35981-7_12”，“article-title”：医学图像处理深度学习：概述、挑战和未来”，“作者”：“Razzak”，“年份”：“2018”}，{“关键”：“10.1016\/j.cviu.2021.103248_b68”，“非结构化”：“Reddy，C.，Gopinath，K.，Lombaert，H.，2019。基于卷积网络拓扑损失的脑肿瘤分割。位于：英国伦敦MIDL，https:\/\/openreview.net\/forum？id=Syxckl40tE。“}，{”issue“：”1“，”key“：”10.1016\/j.cviu.2021.103248_b69“，”doi-asserted-by“：”crossref“，”first page“：“1”，“doi”：“10.1038\/s41598-020-69920-0”，“article-title”：“医学图像分割深度学习中的可变性和再现性”，“volume”：“10”，“author”：“Renard”，“year”：“2020”，“journal-title“：”Sci.Rep.“}”，{“key”：”10.1016\/j.cviu.2021.103248_b70“，“series-title”：“医学图像分析手册：分割和注册模型”，“article-title”：“Quo-vadis，基于图谱的分割？“，”author“：”Rohlfing“，”year“：”2005“}，{”key“：”10.1016\/j.cviu.2021.103248_b71“，”series-title“：”MICCAI“，”first-page“：”234“，”article-title“：“U-Net:生物医学图像分割的卷积网络”，“author”：“Ronneberger”，“year”：“2015”}，“key”：“10.1016\/j.cviu.2021.03248_b72”，“doi-asserted-by”：“crossref”，“”非结构化“：”Rousson，M.，Paragios，N.，2002年。标高集表示的形状优先级。in：欧洲计算机视觉会议，第2卷，第78\u201392页。“，“DOI”：“10.1007\/3-540-47967-8_6”}，{“key”：“101016\/j.cviu.2021.103248_b73”，“series-title”：“生物医学成像手册：方法学和临床研究”，“首页”：“245”，“文章标题”：“医学图像分割中拓扑约束的集成”，“作者”：“S\u00e9gonne“，”year“：”2015“}，{”issue“：”8“，”key“：”10.1016\/j.cviu.2021.103248_b74“，”doi-asserted-by“：”crossref“，“first page”：“888”，“doi”：“10.1109\/34.868688”，”article-title“：”Normalized cuts and image segmentation“，”volume“：“22”，“author”：“Shi”，“year”：“2000”，“journal-title”：“IEEE Trans.Pattern Anal.Mach.智能。“}，{”键“：”10.1016\/j.cviu.2021.103248_b75“，“非结构化”：“Shit，S.，Paetzold，j.C.，Sekuboyina，A.，Zhylka，A.，Ezhov，I.，Unger，A.，Pluim，j.P.W.，Tetteh，G.，Menze，B.H.，2019。clDice-用于管状结构分割的保拓扑损失函数。图：医学影像与NeurIPS 2019年研讨会。“}，{”key“：”10.1016\/j.cviu.2021.103248_b76“，”doi-asserted-by“：”crossref“，”unstructured“：”Slabaugh，G.，Unal，G.“，2005。图形分割之前使用椭圆形状。在：国际图像处理会议（ICIP），第2卷，第1222\u20131225页。“，”DOI“：”10.1109\/ICIP.2005.1530282“}，{“key”：“10.1016\/j.cviu.2021.103248_b77”，“series-title”：“DLMIA\/MICCAI的ML-CDS“，”article-title“：“广义骰子重叠作为高度不平衡分割的深度学习损失函数”，“author”：“Sudre”，“year”：“2017”}，{“key”：“10.1016\/j.cviu.2021.03248_b78”，“series-title”：“自然图像和医学图像的深度语义分割：综述”，“author”:“Taghanaki”，“年份”：“2019”}doi-asserted-by“：”crossref“，”first page“：”29“，”doi“：”10.1186\/s12880-015-0068-x“，”article-title“：”评估3D医学图像分割的指标：分析、选择和工具“，”volume“：“15”，“author”：“Taha”，“year”：“2015”，“journal-title”：“BMC Med.Imaging”}，{“key”：“10.1016\/j.cviu.2021.03248_b80”，“doi-assert-by”：“crossref.”，“unstructured“：”Trullo，R.、Petitjean，C.、Ruan，S.、Dubray，B.、Nie，D.、Shen，D.，2017年。使用两种协作的深层结构对CT图像中的多个胸部器官进行联合分割。收录于：MICCAI\u201917医学图像分析深度学习研讨会。“，”DOI“：”10.1007\/978-3-319-67558-9_3“}，{“key”：“10.1016\/j.cviu.2021.103248_b81”，“series-title”：“ECCV”，“first page”：”454“，”article-title“：”graph-cut image segmentation之前的星形“，”author“：”Veksler“，”year“2008”}，“key“：”10116\/j.cviu.202.103248_582“，”series-ttle“：“IEEE计算机视觉和模式识别（IEEE Computer Vision and Pattern Recognition）”CVPR）“，”首页“：”1”，“article-title”：“基于连通性先验的图切割图像分割”，“author”：“Vicente”，“year”：“2008”}，{“key”：“10.1016\/j.cviu.2021.103248_b83”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，P.，Chen，P.、Yuan，Y.，Liu，D.，Huang，Z.，Hou，X.，Cottrell，G.，2018。理解用于语义分割的卷积。摘自：2018 IEEE计算机视觉应用冬季会议（WACV），第1451\u20131460页。“，”DOI“：”10.1109\/WACV.2018.00163“}，{“key”：“10.1016\/j.cviu.2021.103248_b84”，“首页”：“129”，“文章标题”：“使用可变形模型的图像分割”，“卷”：“2”，“作者”：“Xu”，“年份”：“2000”}，“key“：”10.016\/j.cviu.20211.03248_b85“，”serial es-title“：”MICCAI的STACOM”，“首页”：“152”，“文章标题”：“用于心室结构自动分割的基于分类的深层神经网络”，“作者”：“杨”，“年份”：“2018”}，{“关键”：“10.1016\/j.cviu.2021.03248_b86”，“非结构化”：“Yang，S.，Kweon，j.，Kim，Y.-H.，2019。利用具有新惩罚损失函数的深度网络对X射线冠状动脉造影中的主要血管进行分割。参加：2013年医学影像与深度学习国际会议，英国伦敦，https:\/\/openreview.net\/forum？id=H1lTh8unKN。“}，{”key“：”10.1016\/j.cviu.2021.103248_b87“，”doi-asserted-by“：”crossref“，”unstructured“：”Yu，C.，Wang，j.，Gao，C.，Yu，G.，Shen，C.，Sang，N.，2020。场景分割的上下文优先。收录：IEEE计算机视觉和模式识别（CVPR）会议论文集。“，”DOI“：”10.1109\/CVPR42600.2020.01243“}，{“key”：”10.1016\/j.cviu.2021.103248_b88“，”series-title“：”医学图像计算和计算机辅助干预\u2013 MICCAI 2019“，”first page“：”559“，“article-title”：“使用结合形状和空间先验的深度神经网络从LGE mri进行心脏分割”，“author”：“Yue”，“year”：“2019”}，}“key”：“10.1016\/j.cviu.202110103248_b89”，“系列标题”：“IEEE ISBI”，“第一页”：“2001”，“文章标题”：“全卷积网络中皮肤损伤分割的Kappa损失”，“作者”：“张”，“年份”：“2020”}，{“key”：“10.1016\/j.cviu.202110103248_b90”，“文章标题”：“综述：使用多模态融合的医学图像分割深度学习”volume“：”3\u20134“，”author“：”Zhou“，”year“：”2019“，”journal-title“：”Array“}，{“key”：“10.1016\/j.cviu.2021.03248_b91”，“series-title”：“心脏STACOM的统计图谱和计算模型，与加拿大魁北克市MICCAI联合举办”，“首页”：“73”，“文章标题”：“具有自动形状预先注册功能的Gridnet，用于自动MRI心脏分割“，”volume“：”10663“，”author“：”Zotti“，”year“：”2017“}]，”container-title“：[”Computer Vision and Image Understanding“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com\/content\/article\/PII:S1077314221000928？httpAccept=text\/xml“，”content-type“：”text\/xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S1077314221000928？httpAccept=text\/plain“，”content-type”：“text\/plan”，“content-versiion”：“vor”，“intended-plication”：“”text-mining”}，“deposed”：{“date-parts”：[2023,3,27]]，“date-ports”时间“：”2023-03-27T15:11:07Z“，”timestamp“：1679929867000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/linkinghub.elsevier.com/retrieve\/pii\/S1077314221000928”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[2021,9]]}，《references-count》：91，“alternative-id”：[“S107731422100928”]，“URL”：“http://\/dx.doi.org\/10.1016\/j.cviu.2021.103248”，“relationship“：{}，”ISSN“：[”1077-3142“]，”ISSN-type“：[{”value“：”1077-3162“，”type“:”print“}]，”subject“：【】，”published“：{”date-parts“：【2021,9】】}，“assertion”：【{”value“：”Elsevier“，”name“：”publisher“，”label“此文章由”}维护，{“value”：“用于医学图像分割的高级基于先验的损失函数：调查”，“name”：“articletle”，“标签“：”文章标题“}，{“value”：“计算机视觉和图像理解”，“name”：“journalttle”，“label”：“Journal Title”}，“value“：”https:\/\/doi.org\/101016\/j.cviu.2021.103248“，”name“：”articlelink“，”label“：”CrossRef doi link to publisher maintained version“}”，{\u00a9 2021爱思唯尔公司保留所有权利。“，”name“：“版权”，”label“：”copyright“}]，”article-number“：”103248“}}