{“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”：[[2024,1,25]]，“日期-时间”：“2024-01-25T05:11:05Z”，“时间戳”：1706159465886}，“参考-计数”：58，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{:“日期-零件”：[2023,7,1]]，”“日期-时刻”：“023-07-01T00:00:00:00]0Z“，”时间戳“：1688169600000}，”内容-版本“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[[2023,7,1]]，“date-time”：“2023-07-01T00:00:00Z”，“timestamp”：1688169600000}，“content-version”：“stm-asf”，“delay-in-days”：“0，“URL”：“http://doi.org\/10.15223\/policy-017“}，{“开始”：{“日期部分”：[[2023,7,1]]，“日期时间”：“2023-07-01T00:00:00Z”，“timestamp”：1688169600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-037”}，{“start”：{“date-parts”：[[2023,7,1]]，“date-time”：“2023-07-01T00:00:00Z”，“timetamp”：68816960000}，https:\/\/doi.org\/10.15223\/policy-012“}，{“开始”：{“日期部分”：[[2023,7,1]]，“date-time”：“2023-07-01T00:00:00Z”，“timestamp”：1688169600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2023,7,1]]，“date-time”:“2023-07-01T00:00”，“时间戳”：16881 6960000}，m-asf“，”delay-in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-004“}]，“资助者”：[{“DOI”：“10.13039\/501000001809”，“名称”：“国家自然科学基金”，“DOI-asserted-by”：“出版商”，“奖项”：[“61975056”]}，{“DOI”：”10.13039\/501000003399“，“名称“：”上海市科学技术委员会“，”DOI-assert-by“：”出版商“，”奖项“：[”19511120100“，”20440713100“]}“”，“name”：“上海市自然科学基金会”，“doi-asserted-by”：“publisher”，“adward”：[“19ZR1416000”]}]，“content-domain”：{“domain”:[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[”Displays“]，“published-print”:{“date-parts”：[2023,7]]}，”doi“10.1016\/j.displa.2023.02451”，“”type“：”journal-article“，“created”：{“date-parts”：[[2023,4,29]]，“date-time”：“2023-04-29T01:08:57Z”，“timestamp”：1682730537000}，“page”：“102451”，“update-policy”：”http://\/dx.doi.org\/10.1016\/elsevier_cm_policy“，”source“：”Crossref“，“is-referenced-by-count”：0，“title”：[“使用图形深度学习进行胎儿肺发育超声评估”]，“前缀”：“10.1016”，“卷”：“78”，“作者”：[{“given”：“Jiangang”，“family”：“Chen”，“sequence”：“first”，“affiliation”：[]}，{“ORCID”：”http://\/ORCID.org\/0000-0002-3408-2791“，”authenticated-ORCID“：false，”given“：”Size“，”family“：”Hou“，”sequence“：”additional“，”affiliance“：[]]}，}，{“given”：“Bing”，“family”：“Lu”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Minglei”，“family”：“Yang”，“segment”：“附加”，“从属关系”：[]}，}“giving”：“Feiyang”，“家庭”：“Sun”，“sequence”:“additionable”，“filiation“：[]{”given“gived”：“Qingli”，“家族”：“Li”，“序列”：“additional”、“affidiation”：[]}、{“Givent”：“Tao”、“sequence:”“附加”，“从属关系”：[]}，{“给定”：“学东”，“家庭”：“邓”，“序列”：“附加”，“从属关系”：[]}，{“ORCID”：“http://\/ORCID.org\/0000-0002-3251-7587”，“authenticated-ORCID”：false，“给定”：“高峰”，“家族”：“卫”，“顺序”：“额外”，“隶属关系”：[]}]，“成员”：“78”，“引用”：[{“问题”：“71”，“密钥”：“10.1016\/j.displa.2023.02451_b0005“，”doi-asserted-by“：”crossref“，”首页“：“1”，“DOI”：“10.1109\/TIM.2022.3144212”，“article-title”：“一种用于监测先天性膈疝羔羊模型胎肺压力的植入式电子设备”，“volume”：“18”，“author”：“Robbiani”，“year”：“2022”，“journal-title“：”IEEE Trans.Instrum.Meas.“}，{“issue”：“4”，“key”：”10.1016\/j.displa.2023.02451_b0010“，”DOI-asserted-by“：“crossref”，“first page”：“374.e371”，“DOI”：“10.1016\/j.ajog.2011.07.015”，“article-title”：“晚期早产儿严重发病率的系统评价”，“volume”：《205》，“author”：“Teune”，《year》：“2011”，“journal-title》：“Am.j.Obset.Gynecol.”}，{“issue”：“49”，“key”：y“：”crossref“，”首页“：“6015”，“DOI”：“10.1016\/j.疫苗.2016.03.047”，“文章标题”：“先天性异常：病例定义和免疫安全数据收集、分析和呈现指南”，“卷”：“34”，“作者”：“DeSilva”，“年份”：“2016”，“期刊标题”：《疫苗》}，{“问题”：“2”，“关键”：“1016\/j.displa.2023.102451_b0020”，“DOI-asserted-by”：“crossref”，“首页”：“261”，“DOI”：“10.1016\/j.ejrad.2005.11.031”，“article-title”：“正常和病理胎儿肺发育的MRI”，“volume”：“57”，“author”：“Kasprian”，“year”：“2006”，“journal-title“Eur.j.Radiol.”}，{“issue”：“9”，“key”：页面“：”834“，”DOI“：“10.1002\/pd.2564”，“article-title”：“二维或三维超声：哪个是肺发育不全的最佳预测指标？”，“体积”：“30”，“作者”：“Vergani”，“年份”：“2010”，“日志标题”：“Prenat.Diagn.”}，{“问题”：“1”，“关键”：“10.1016\/j.displa.2023.102451_b0030”，“doi-asserted-by”：“crossref”，“首页”：“187”，”doi“：“10.1148”，“radiol.2393050583”，“article-title”：“胎肺容积测量：用MR成像测定\u2013各种因素的影响”，“容积”：“240”，“作者”：“病房”，“年份”：“2006”，“期刊标题”：“放射学”}，{“问题”：“8”，“关键”：“10.1016”，“j.displa.2023.02451_b0035”，“首页”：“863”，“article-titel”：“先天性膈疝磁共振成像胎儿肺容积测量”，“容积”：“108”，“作者”：“Mahieu-Caputo”，“年份”：“2001”，“期刊标题”：“BJOG”}，{“问题”：“6”，“关键”：“10.1016\/j.displa.2023.102451_b0040”，“doi-asserted-by”：“crossref”，“首页”：“384”，“doi”：“101002\/jcu.1870150605”，“文章标题”：“胎肺/肝反射率和肺成熟度”，“体积”：“15”，“作者”：“Feingold”，“年份”：“1987”，“期刊标题”：“临床超声杂志：JCU.”}，{“问题”：“2”，“关键”：“10.1016\/j.displa.2023.02451_b0045”，“doi-asserted-by”：“crossref”，”首页“69”，“doi”：“101016\/j.dii.2019.08.002”，“文章标题”：“人类胎儿肺和肝脏二维超声剪切波弹性成像的可行性：初步研究”，“卷”：“101”，“作者”：“Mottet”，“年份”：“2020”，“期刊标题”：“诊断介入成像”}，{“问题”：“9”，“关键”：“10.1016\/j.displa.2023.102451_b0050”，“doi-asserted-by”：“crossref”，“首页”：“671”，“doi”：“101002\/pd.951”，“article-title”：“通过定量超声组织表征评估胎儿肺发育：方法学研究”，“卷”：“24”，“作者”：“Tekesin”，“年份”：“2004”，“期刊标题”：“Prenat.Diagn.”}，{“问题”：“2”，“关键”：“10.1016\/j.displa.2023.102451_b0055”，“文章标题”：“通过定量超声肺纹理分析预测新生儿呼吸系统发病率：”，“volume”：“217”，“author”：“Palacio”，“year”：“2017”，“journal-title”：“a multi-center study American journal of Obsetrics and Gynecology。”}，{“issue”：“1”，“key”：：“10.1016\/j.clinbiochem.200.10.008”，“文章标题”：“胎儿肺成熟度”，“卷”：“39”，“作者”：“Grenache”，“年份”：“2006”，“期刊标题”：“Clin.Biochem.”}，｛“问题”：“2”，“关键”：“10.1016\/j.displa.2023102451_b0065”，“doi断言者”：“crossref”，“第一页”：“177”，“doi”：“10.1016\/j.ejogrb.203.02.013”，“文章标题”：“卵磷脂/鞘磷脂比率和板层体计数对胎肺成熟度的影响：荟萃分析”，“卷”：“169”，“作者”：“Besnard”，“年份”：“2013年”，“期刊标题”：“欧洲妇产科和生殖生物学杂志”}，{“key”：“10.1016\/j.displa.2023.102451_b0070”，“doi-asserted-by”：“crossref”，《首页》：“61”，“doi”：“10.1016\/j.media.2018.10.003”，“article-title”：“Narc\u00edsMasoller，Eduard Gratac\u00f3s，ElisendaEixarch，Mario Ceresa，Miguel\u00c1ngel Gonz\u00e1lez Ballester，MRI和美国胎儿成像中的分割和分类：近期趋势和未来展望”，“volume”：“51”，“author”：“Torrents-Barrena”，“year”：“2019”，“journal-title“Med”。图像分析。“}，{”key“：”10.1016\/j.displa.2023.102451_b0075“，”首页“：”102629“，”article-title“：”胎儿超声图像分析深度学习算法综述“，”volume“：“14”，”author“：”Fiorentino“，”year“：”2022“，”journal-title”：“Med.image Anal.”}，“issue”：“2”，“key”：“10.1016\\j.displa.2023.102451_b0080”，“doi-asserted-b”y“：”crossref“，”首页“：”449“，”DOI“：”10.1002\/jmri.25806“，”article-title“：”C.Limperopoulos体内胎盘MRI形状和结构特征预测胎儿生长受限和产后结局“，”volume“：”47“，”author“：”Dahdouh“，”year“：”2018“，”journal-title”：“J.Magn”。Reson公司。成像“}，{“key”：“10.1016\/j.displa.2023.102451_b0085”，“doi-asserted-by”：“crossref”，“首页”：“18”，“doi”：“101016\/j.media.2016.05.004”，“article-title”：“利用深度神经网络进行脑肿瘤分割”，“volume”：”35“author”：“Havaei”，”year“2017”，“journal-title“：”Med.Image Anal.ispla.2023.102451_b0090“，”文章标题“：“使用改进的U-net分割网络从乳腺图像中进行微钙化分割”，“作者”：“侯赛因”，“年份”：“2019”，“期刊标题”：“沙特国王大学学报-计算机与信息科学。“｝，｛”key“：”10.1016\/j.displa.2023102451_b0095“，”doi asserted by“：”crossref“，”首页“：”101792“，”doi“：”10.1016\/j.artm.2020.101792“，”文章标题“：”使用基于掩码区域的卷积神经网络进行CT肺分割的有效方法“，”卷“：”103“，”作者“：”Hu“，”年份“：”2020“，”期刊标题“：”Artif.Intell.Med.“｝，｛”issue“：”2“，”key“：“10.1016\/j.displa.2023.102451_b0100”，”doi-asserted-by“：”crossref“，”first page“：”674“，”doi“：”10.1109\/TMI.2016.2621185“，”article-title“：”Deepcut：“使用卷积神经网络从边界框注释中分割对象”，“volume”：“36”，“author”：“Kainz”，“year”：“2017”，“journal-title”：“IEEE Trans。医学成像“}，{“key”：“10.1016\/j.displa.2023.102451_b0105”，“首页”：“6606”，“文章标题”：“使用活动轮廓和形态学算子对胎儿MRI中的脑和肺体积进行分割和可视化。”，“作者”：“Chikop”，“年份”：“2014年”，“期刊名称”：“国际医学磁共振学会（ISMRM）”}，“问题”：“2”，“key“：”10.1016\/j.displa.2023.102451_b0110“，”doi-asserted-by“：”crossref“，”first page“：”674“，”doi“：”10.1109\/TMI.2016.2621185“，”article-title“：”Deepcut:使用卷积神经网络从边界框注释中分割对象“，”volume“：“36”，”author“：”Rajchl“，”year“：”2017“，”journal-title”：“IEEE Trans。Med.Imaging“}，{“key”：“10.1016\/j.displa.2023.102451_b0115”，“series-title”：“使用深度学习和特定图像微调的交互式医学图像分割”，“author”：“Wang”，“year”：“2018”}，“key“：”10.1016\\j.displa.2023.102451_b0120“，“unstructured”：“Han K，Wang Y，Guo j，et al.Vision GNN:图像是有价值的节点图[j].arXiv预印本arXiv:2206.00272202。“}，{“key”：“10.1016\/j.displa.2023.102451_b0125”，“article-title”：“了解图神经网络在学习图拓扑中的表示能力”，“volume”：”32“，“author”：“Dehmamy”，“year”：“2019”，“journal-title“Adv.neural Inf.Proces.Syst.”}，}，“key“10.1016”：“j.displa.2023.102451_b0130”，“doi-asserted-by“：”crossref“，”unstructured“：”Yang，Liang，et al.基于图卷积网络的拓扑优化.\u201d IJCAI。2019.“，”DOI“：”10.24963\/ijcai.2019\/563“}，{“key”：“10.1016\/j.displa.2023.102451_b0135”，“DOI-asserted-by”：“crossref”，“DOI”：“101145\/3437963.3441774”，“article-title”：“\u201cBite-gcn：一种通过文本丰富网络上拓扑和特征的双向卷积实现的新gcn架构。\u201d”，“author”：“Jin”，“year”：“2021”，“journal-title“：”第14届ACM网络搜索和数据挖掘国际会议论文集。“}，{”key“：”10.1016\/j.displa.2023.102451_b0140“，”首页“：”30392“，”article-title“：”早期卷积帮助变形金刚看得更好[j]“，”volume“：“34”“，”author“：”Xiao“，”year“：”2021“，”journal-title”：“Adv.Neural Inf.Proces.Syst.”}，“issue”：“1”，”key交叉引用“，”首页“：”157“，”doi“：”10.1007\/s11263-007-0090-8“，”article-title“：”LabelMe:一个用于图像注释的数据库和网络工具“，”volume“：”77“，”author“：”Russell“，”year“：”2008“，”journal-title”：“Int.J.Compute。视觉。“}，{”key“：”10.1016\/j.displa.2023.102451_b0150“，”首页“：”4522“，”article-title“：”使用增强剂的生物医学图像增强“，”volume“：“35”，”author“：”Bloice“，”year“：”2019“，”journal-title”：“生物信息学（牛津，英格兰）。伯格·菲舍尔T。Brox U-Net：生物医学图像分割的卷积网络2015 Cham。“，”DOI“：“10.1007\/978-3-319-24574-4_28”}，{“key”：“10.1016\/j.displa.2023.102451_b0160”，“unstructured”：“Long j，Shelhamer E，Darrell T.语义分割的完全卷积网络。arXiv电子版。2014:arXiv:1411.4038。https:\/\/ui.adsabs.harvard.edu\/abs\/2014arXiv1411.4038L。访问日期：2014年11月1日。“}，{“key”：“10.1016\/j.displa.2023.102451_b0165”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.media.2020.101657”，“article-title”：“超像素语义分类乳腺超声图像分割”，“volume”：”61“，“author”：“Huang”，”year“2020”，“journal-title“：”Med.image Anal.“}10.1016\/j.displa.2023.102451_b0170“，“doi-asserted-by”：“crossref”，“unstructured”：“Dahl GE，Sainath TN，Hinton GE。使用校正线性单位和辍学改进LVCSR的深层神经网络。论文发表于：ICASSP，IEEE声学、语音和信号处理国际会议-2013年会议记录。批量规范化：通过减少内部协变量偏移来加速深层网络训练。第32届国际机器学习会议论文集——第37卷；2015; 法国里尔。“}，{”key“：”10.1016\/j.displa.2023.102451_b0180“，”doi-asserted-by“：”crossref“，”doi“：”101016\/j.bspc.2022.103722“，”article-title“：”超声图像放射学分析预测微波消融治疗良性乳腺肿瘤的敏感效应“，”volument“：”76“，”author“：”Li“，“year”：“2022”，“journal-title”：“”生物识别。信号处理。Control“}，{“key”：“10.1016\/j.displa.2023.102451_b0185”，“series-title”：“用于大尺度图像识别的极深卷积网络”，“author”：“Simonyan”，“year”：“14091556”}，}“keys”：“101016\/j.displa.2023.102451_b0190”，“unstructured”：“Krizhevsky A，Sutskever I，Hinton GE。使用深度卷积神经网络进行ImageNet分类。第25届神经信息处理系统国际会议论文集——第1卷；2012; 内华达州塔霍湖。“}，{”key“：”10.1016\/j.displa.2023.102451_b0195“，”doi-asserted-by“：”crossref“，”first page“：“750”，“doi”：“10.1016\/j.neucom.2022.05.033”，“article-title”：“人体脊柱再现的基于解剖的先验脊椎建模”，“volume”：“500”，“author”：“Huang”，“year”：“2022”，“journal-title“：”Neurocomputing“}”，{“key”：”10.1016 \/j.displa.2023.102451_b0200“，“非结构化”：“Yosinski j，Clune j，Bengio Y，Lipson H。深度神经网络中的特征如何转移？第27届神经信息处理系统国际会议论文集-第2卷；2014; 加拿大蒙特利尔。“}，{”key“：”10.1016\/j.displa.2023.102451_b0205“，”doi-asserted-by“：”crossref“，”unstructured“：”Y Luo，Q Huang，X Li.分割信息与注意力集成，用于超声图像中乳腺肿瘤的分类。模式识别124108427.“，”doi“：”101016\/j.patcog.2021.108427“}doi-asserted-by“：”crossref“，”unstructured“：”X.Li，Y.Wang，J.Yu，P.Chen。使用基于纹理的边界增强和活动轮廓模型进行胎肺分割。第三届国际生物医学工程与信息学会议（2010年），第264-268页通过与注意力机制集成的高效多尺度模型同时分割医学超声图像的胎儿心肺”，“卷”：“43”，“作者”：“Xi”，“年份”：“2021”，“期刊标题”：“Ultrason。Imaging“｝，｛“issue”：“1”，“key”：“10.1016\/j.displa.2023102451_b0220”，“doi asserted by”：“crossref”，“首页”：“146”，“doi”：“10.4236\/jbm.2021.91012”，“文章标题”：“深度学习胎儿肺的超声分割”，“卷”：“9”，“作者”：“Yin”，“年份”：“2021”，“期刊标题”：“journal of Biosciences and Medicines”｝，｛“issue”：“5”，“key”：“10.1016\/j.displa.2023.102451_b0225“，“doi-asserted-by”：“crossref”，“first page”：“373”，“doi”：“10.1159\/000501906”，“article-title”：“过渡心脏：从早期胚胎和胎儿发育到新生儿生活[j]”，“volume”：”47“，“author”：“Tan”，“year”：“2020”，“journal-title“：”胎儿诊断。疗法。“}，{”issue“：”6“，”key“：”10.1016\/j.displa.2023.102451_b0230“，”doi-asserted-by“：”crossref“，”doi“：”101016\/j.ajog.2012.09.027“，”article-title“：”胎肺自动定量超声分析预测胎肺成熟度“，”volume“：“207”，“author”：“Palacio”，“year”：“2012”，“journal-title”：“Am.j.Obset.Gynecol.”}，}“key“：”10.1016\/j.displa.2023.102451_b0235“，”doi-asserted-by“：”crossref“，”first page“：“113”，”doi“：”10.2147\/IJWH。S67124“，”文章标题“：“非侵入性产前检测：国际实施回顾与挑战[J]”，“卷”：“7”，“作者”：“Allyse”，“年份”：“2015年”，“期刊标题”：“国际妇女健康”}，{“问题”：“8”，“关键”：“10.1016\/J.displa.2023.102451_b0240”，“doi-asserted-by”：“crossref”，“首页”：“1407”，”doi“10.1007\/s11548-020-02211-1”，“article-title“：“基于超声图像传递学习深度模型定量评估胎儿肺成熟度发展的初步研究[J]”，“体积”：“15”，“作者”：“陈”，“年份”：“2020”，“期刊标题”：“国际计算机杂志”。协助。无线电。外科“}，{”issue“：”23“，”key“：”10.1016\/j.displa.2023.102451_b0245“，”doi-asserted-by“：”crossref“，”first page“：“8007”，”doi“：”10.3390\/s21238007“，”article-title“：”基于深度学习的计算机辅助胎儿超声心动图：在先天性心脏缺陷检测心脏标准视图分割中的应用[j]“，”volume“”：“21”，“author”：“Nurmaini”，“年份“：“2021”，“journal-title”：“Sensors”}，{“issue”：“11”，“key”：“10.1016\/j.displa.2023.102451_b0250”，“doi-asserted-by”：“crossref”，“first page”：”1526“，“doi”：“10.3390\/biom10111526”，“article-title“：”基于时间序列信息深度学习的胎儿心脏超声视频中心室间隔的图像分割[j]“，”体积“：”10“，”author“：”Dozen“，”year“：”2020“，”journal-title“：”Biomollecules“}，{“issue”：“2”，“key”：“10.1016\/j.displa.2023.102451_b0255”，“doi-asserted-by”：“crossref”，“first page”：”432“，“doi”：“10.2214\/AJR.17.19469”，“article-title”：“MRI胎儿肺体积：18至38周妊娠期的正常周值”，“volume”：《211》，“author”：“Meyer”s”，“年份”：“2018年”，“《新闻标题》：“Am.J.Roentgenol。“}，{”issue“：”2“，”key“：”10.1016\/j.displa.2023.102451_b0260“，”doi-asserted-by“：”crossref“，”first page“：“282”，”doi“：”101111\/chd.12568“，”article-title“：”胎儿心脏尺寸测量作为纯合子\u03b1-thalassemia-1中期妊娠新预测因子“，”volume“：Dis.“}，{”issue“：”10“，”key“：”10.1016\/j.displa.2023.102451_b0265“，”doi-asserted-by“：”crossref“，”first-pages“：”3113“，”doi“：”101109\/TMI.2020.2987981“，”artic-title“：”TTTS胎儿手术计划中宫腔分割的深层q-capsnet强化学习框架“，”volume“：“39”，”author“：”Torrents-Barrena“，”year“：”2020“，”journal-title”：“IEEE Trans。医学成像“}，{“key”：“10.1016\/j.displa.2023.102451_b0270”，“首页”：“12116”，“文章标题”：“视觉变换器看到的像卷积神经网络吗？[j]”，“卷”：“34”，“作者”：“Raghu”，“年份”：“2021”，“日记标题”：《高级神经信息处理系统》}，}，“key“：”10.1016//j.displa.2023.102451_b0275“，“series-title”：“”深度学习的拓扑方法[M]\/\/拓扑数据分析“，“首页”：“119”，“作者”：“Carlsson”，“年份”：“2020”}，{“问题”：“10”，“关键”：“10.1016\/j.displa.2023.02451_b0280”，“doi-asserted-by”：“crossref”，”首页“：”2795“，”doi“：”10.1109\/TMI.2020.3047807“，”文章标题“：”基于噪声伪标签和对抗学习的医学图像分割注释效率学习”，“卷”：“40”，“作者”：“王”，“年份”：“2020”，“期刊标题”：“IEEE Trans。医学成像“}，{“问题”：“2”，“关键”：“10.1016\/j.displa.2023.102451_b0285”，“doi-asserted-by”：“crossref”，“首页”：“691”，“doi”：“101109\/TUFFC.2021.3132933”，“文章标题”：“超声BI-RADS特征的多任务/单任务联合学习”，“卷”：“69”，“作者”：“黄”，“年份”：“2022”，”日志标题“IEEE Trans超声波、铁电极频率。Control“}，{”key“：”10.1016\/j.displa.2023.102451_b0290“，”doi-asserted-by“：”crossref“，”unstructured“：”Q.Huang，Z.Miao，S.Zhou，C.Chang和X。Li，\u201c超像素的感知预测和局部融合：缺乏数据的超声图像中乳房解剖分割的框架，IEEE仪器与测量学报，第70卷，第1-8页，2021年，第5011508号，doi:10.1109，“，doi”：“10.1109”，“TIM.2021.3088421”}]，“container-title”：[“显示器”]，“original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S0141938223000847？httpAccept=text\.xml“，”content-type“：”text\/xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{”URL“：”http://api.elsevier.com\/content\/artracle\/PI:S0141093822300847？http-Accept=text\/plain“，”content-type“：”text\/plain“，”content-version“：”vor“，”intended-application“：”text-mining“}]，”deposed“：{”date-parts“：[[2024,1,25]]，”date-time“：”2024-01-25T01:01:11Z“，”timestamp“：1706144471000}，”score“：1，”resource“：{primary”：{“URL”：“https:\/\/linkinghub.elsevier.com\/retrieve\/piii\/S0141938223000847”}}，“subtittle”：[]，“短标题”：[]，“已发布”：{“date-parts“：[[2023,7]]}，”references-count“：58，”alternative-id“：[”S0141938223000847“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.displa.2023.02451“，”relationship“：{}，“ISSN”：[”0141-9382“]，“ISSN-type”：[{“value”：“0141-9322”，“type”:“print”}]，“subject”：【】，“published”：{“date-part”：[2023,7]]}，“断言”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“本文由“}，{”value“：“利用图形深度学习进行胎儿肺发育超声评估”，“name”：“articletitle”，“label”：“article Title”}，“value”：“Displays”，“name:”journaltitle“，”label“：”Journal Title“}、{”value“：”https:\/\/doi.org\/101016\/j.displa.2023.02451“，”name“：”articlelink“，”标签“：”CrossRef DOI链接到出版商维护的版本“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“values”：“\u00a9 2023 Elsevier B.V.保留所有权利。”，“名称”：“版权”，“标签”：“copyright”}]，“文章编号”：“102451”}