{“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”：[[2024,8,23]]，“日期-时间”：“2024-08-23T18:26:31Z”，“时间戳”：1724437591233}，“引用-计数”：49，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{“日期-部分”：[2022,10,1]]，0:00Z“，”时间戳“：1664582400000}，”内容-版本“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com//tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[2022,10,1]]，“date-time”：“2022-10-01T00:00:00Z”，“timestamp”：1664582400000}，“content-version”：“tdm”，“delay-in-days”：“0”，“URL“https:\\/www.else vier.com\/legal\/td”mrep-license“}，{“开始”：{“日期部分”：[[2022,10,1]]，“日期时间”：“2022-10-01T00:00:00Z”，“timestamp”：1664582400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-017”}，{“start”：{“date-parts”：[[2022,10,1]]，“date-time”：“2022-10-01T00:00”，“时间戳”：1664.582400000{，“content-version“stm-as”，“delay-in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-037“}，{“start”：{“date-parts”：[[2022,10,1]]，“date-time”：“2022-10-01T00:00:00Z”，“timestamp”：1664582400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-012”}，{“start”：{（日期-部件）：[[2022,10,1]]1664582400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2022,10,1]]，“date-time”：“2022-10-01T00:00:00Z”，“timestamp”：1664582400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“http:\/\/doi.org\/10.15223\/policy-004”}]，“content-domain“：{”domain“[”els evier.com“，”sciencedirect.com“]，”crossmark-restriction“：true}，“short-container-title”：[“Medical Image Analysis”]，“published-print”：{“date-parts”：[[2022,10]]}，“DOI”：“10.1016\/j.media.2022.102567”，“type”：“journal-article”，“created”：{“date-ports”：[2022,8,12]，“date-time”：“2022-08-12T16:31:04Z”，“timestamp”：1660321864000}，”page：“102567”dx.DOI.org\/10.1016\/elsevier_cm_policy“，”源“：“Crossref”，“is-referenced-by-count”：3，“special_numbering”：“C”，“title”：[“灰度自调整网络，用于增强三维腰椎解剖分割的弱特征”]，“prefix”：“10.1016”，“volume”：“81”，“author”：[{“给定”：“金华”，“family”：“刘”，“sequence”：“first”，“affiliation”：[]}，{“given”：，“affiliation”：[]}，{“given”：“Christian”，“family”：“Desrosiers”，“sequence”：“additional”，“affeliance”：[]}“：[]}]，”成员“：”78“，“reference”：[{“key”：“10.1016\/j.media.2022.102567_51”，“series-title”：“医学成像中的信息处理”，“首页”：“221”，“文章-标题”：“具有不变对象交互作用先验的图形切割：应用于椎间盘分割”，“author”：“Ben\u00a0Ayed”，“year”：“2011”}，{“key”：：“crossref”，“unstructured”：“Berman，\u00a0M.，Triki，\u0a0A.R.，Blaschko，\u000a0M.B.，2018年。Lov\u00e1sz-Softmax损失：神经网络中交集过并集测度优化的可牵引代理。收录：IEEE计算机视觉和模式识别会议论文集。CVPR，pp.4413\u20134421.“，”DOI“：”10.1109\/CVPR.2018.00464“}，{“key”：“10.1016\/j.media.2022.102567_b3”，“series-title”：“脊柱成像的计算方法和临床应用”，“first page”：”105“，”article-title“：”使用数学形态学的椎间盘分割\u2014A CNN-free方法“，”volume“：”Vol.11397“，”author“：”Carlinet“，”年份“：“2019”}，{“key”：“10.1016\/j.media.2022.102567_b4”，“series-title”：“图像分析与识别”，“首页”：“1017”，“文章标题”：“MRI图像中椎间盘和椎管的分水岭分割”，“作者”：“Chevrefils”，“年份”：“2007”}、{“密钥”：“0.1016\/j.media.2022.1022567_b5”，“系列标题”：医学图像计算与计算机辅助干预”，“首页”：“166”，“文章标题”：“更加注意医学图像分割的不连续性”，“作者”：“楚”，“年份”：“2020”}，{“关键”：“10.1016\/j.media.2022.102567_b6”，“系列标题”：”医学图像计算和计算机辅助干预3D U-Net：从稀疏注释学习密集体积分割“，”volume“：”Vol.9901“，”author“：”\u00c7i\u00e7ek“，”year“：”2016“}，{“key”：“10.1016\/j.media.2022.102567_b7”，“series-title”：“脊柱成像的计算方法和临床应用”，“first page”：”130“，”article-title“：”IVD-net：使用多模态UNet进行MRI椎间盘定位和分割”，“卷”：“卷11397”，“作者”：“Dolz”，“年份”：“2019”}，{“关键”：“10.1016\/j.media.2022.102567_b8”，“系列标题”：“第二十四届国际人工智能联合会议”，“首页”：“3460”，“文章标题”：通过学习曲线外推加速深度神经网络的自动超参数优化”，“author”：“Domhan”，“year”：“2015”}，{“issue”：“5”，“key”：“10.1016\/j.media.2022.102567_b9”，“doi-asserted-by”：“crossref”，”first page“：“1515”，”doi“10.1109\/TPAMI.2019.2956703”，“article-title”：“通过跟踪深度强化学习进行动态超参数优化”，“卷”：“43”，“作者”：“Dong”，“年份”：“2021”，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”issue“：”11“，”key“：”10.1016\/j.media.2022.102567_b10“，”doi-asserted-by“：”crossref“，”first page“：“3619”，”doi“：”101109\/TMI.2020.3001036“，”article-title“：”具有多尺度特征抽象的部分标记数据集上的多目标分割“，”volume“:”39“，”author“：”Fang“，”year“：”2020“，”journal title“：“IEEE Trans.Med.Imaging”}，”{“key“：”10.1016\/j.media.2022.102567_b11“，“series-title”：“脊柱成像的计算方法和临床应用”，“首页”：“119”，“article-title”：“基于多模态MR图像的全自动椎间盘定位和分割的深度学习框架”，“卷”：“11397”，“作者”：“高”，“年份”：“2019”}，{“关键”：“10.1016\/j.media.2022.102567_b12“，“series-title”：“医学图像计算和计算机辅助干预”，“首页”：“829”，“article-title”：“FocusNet:使用端到端的深度神经网络对头颈部CT图像进行不平衡的大小器官分割”，“作者”：“高”，“年份”：“2019”}，{“关键”：“10.1016\\j.media.2022.1022567_b13”，“doi-asserted-by“：”crossref“，”doi“：”10.1016\/j.media.2020.101831“，”article-title“：”FocusNetv2:头颈部CT图像中具有对抗性形状约束的大小器官分割不平衡“，”volume“：”67“，”author“：”Gao“，”year“：”2021“，“journal-title”：“Med.Image Anal”。“}，{”key“：”10.1016\/j.media.2022.102567_b14“，”series-title“：”医学图像计算和计算机辅助干预“，”首页“：”309“，”article-title“：“对椎间盘定位和分割进行深度监督的多分辨率路径CNN”，“volume”：“Vol.11765”，“author”：“Gao”，“year”：“2019”}，“issue”：“8”，“key”：”10.1016\/j.media.2021002567_b15“，”doi asserted by“：”crossref“，”首页“：”1822“，”doi“：”10.1109\/TMI.2018.2806309“，”文章标题“：”密集V网络腹部CT自动多器官分割“，”卷“：”37“，”作者“：”Gibson“，”年份“：”2018“，”期刊标题“：”IEEE Trans。医学成像“}，{“问题”：“3”，“关键”：“10.1016\/j.media.2022.102567_b16”，“doi-asserted-by”：“crossref”，“首页”：“115”，“doi”：“10.2967\/jnmt.107.042978”，“文章标题”：“CT和CT技术原理”，“卷”：“35”，“作者”：“高盛”，“年份”：“2007”，“期刊标题”：《医学技术杂志》}，：“12”，“key”：“10.1016\/j.media.2022.102567_b17”，“doi-asserted-by“：”crossref“，”first page“：”4262“，”doi“：”10.1109\/TMI.2020.3015198“，”article-title“：”AttentionBoost:“通过增强完全卷积网络学习组织病理学图像中腺体分割的注意事项”，“volume”：“39”，“author”：“Gunesli”，“year”：“2020”，“journal-title”：“IEEE Trans。Med.Imaging“}，{“key”：“10.1016\/j.media.2022.102567_b18”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.media.2021.102055”，“article-title”：“用于3D集成肾结构分割的元灰度自适应网络”，“volume”：”71“，”author“：”He“，”year“：”2021“，”journal-title“：”Med.Image Anal.2022.102567_b19“，”series-title“：”医学图像计算与计算机辅助干预“，”首页“：”291“，”文章标题“：”3D U2-Net:用于多域医学图像分割的3D通用U-Net“，”卷“：”第11765卷“，”作者“：”黄“，”年份“：”2019“}，{“issue”：“2”，“key”：“10.1016\/j.media.2022.102567_b20”，“doi-asserted-by”：“crossref”，“首页”：“203”，”DOI”：“10.1038\\s41592-020-01008-z”，“文章标题”：“nnU-Net：一种基于深度学习的生物医学图像分割的自配置方法”，“卷”：“18”，“作者”：“Isensee”，“年”：“2021”，“期刊标题”：“Nature Methods”}，｛“issue”：“3”，“key”：“10.1016\\j.media.202.21022567_21”，“DOI断言者”：“crossref”，“首页”：“244”，“DOI”：“10.4103\/0019-5413.111505“，“文章标题”：“巨大腰椎间盘突出症伴完全硬膜囊狭窄”，“体积”：“47”，“作者”：“Jeon”，“年份”：“2013年”，“期刊标题”：《印度矫形外科杂志》。“}，{”issue“：”4“，”key“：”10.1016\/j.media.2022.102567_b22“，”first page“：“26”，”article-title“：”关于4例椎间盘突出症的自发性退行性变和文献综述“，”volume“:”6“，”author“：”Khalid“，”year“：”2021“，”journal title“：“Int.j.Innov.Sci.Res.Technol.”}，”{“issue”：“1”，”key:“10.1016\/j.meda.2022.10 2567_b23“，”doi-asserted-by“：”crossref“，”first page“：”43“，”doi“：”10.1016\/j.media.2012.06.006“，”article-title“：”使用各向异性定向通量对MR图像中椎间盘进行分割“，”volume“：“17”，”author“：”Law“，”year“：”2013“，”journal-title”：“Med.Image Ana。“}，{”key“：”10.1016\/j.media.2022.102567_b24“，”series-title“：”The Disc and Degenerative Disc Disease:Remove Or Regenerate？“，”first page“：“173”，”article-title“：“椎间盘突出的微创治疗：如何使用化学工具取出椎间盘”，“author”：“Leone”，“year”：“2020”}，“key”：“10.1016\/j.meda.2022.10.2567_b25”，“doi-asserted-by”：“”crossref”，“first page”：“41”，“DOI”：“10.1016\/j.media.2018.01.004”，“文章标题”：“3D多尺度FCN与随机模态体素缺失学习用于椎间盘定位和从多模态MR图像分割”，“volume”：“45”，“author”：“Li”，“year”：“2018”，“journal title”：“Med.Image Anal。“}，{”key“：”10.1016\/j.media.2022.102567_b26“，”doi-asserted-by“：”crossref“，”unstructured“：”Lin，\u00a0T.Y.，Goyal，\u0a0P.，Girshick，\u00 a0R.，He，\u 00a0K.，Dollar，\u 0a0p.，2017。密集目标检测的焦距损失。摘自：IEEE计算机视觉国际会议论文集。ICCV，pp.2980\u20132988.”，“DOI”：“10.1109\/ICCV.2017.324”}，{“issue”：“1”，“key”：“10.1016\/j.media.2021002567_b27”，“DOI断言者”：“crossref”，“首页”：“59”，“DOI”：“10.1109\/TITB.2005.855561”，“文章标题”：“腹部CT图像的计算机辅助肾脏分割”，“卷”：“10”，“作者”：“林”，“年份”：“2006”，“期刊标题”：“IEEE传输信息。Technol公司。生物识别。“}，{”key“：”10.1016\/j.media.2022.102567_b28“，”series-title“：”脊柱成像的计算方法和临床应用“，”首页“：”144“，”article-title“：“基于2.5维多尺度全卷积网络和几何约束后处理的多模态MR图像的椎间盘分割和定位”，“体积”：“第11397卷，“作者”：“刘”，“年份”：“2019年”}，{“关键”：“10.1016\/j.media.2022.102567_b29”，“首页”：“36”，“文章标题”：“腰椎间盘疾病的决策”，“卷”：“39”，“作者“：“龙”，“年”：“1992”，“期刊标题”：《临床神经外科学》}，}，“关键”:“10.1016 \/j-media.2022.202567_ b30”，“系列标题”：”2016年第四期3D视觉国际会议first page“：”565“，”article-title“：”V-Net:用于体积医学图像分割的完全卷积神经网络“，”author“：”Milletari“，”year“：”2016“}，{“key”：“10.1016\/j.media.2022.102567_b31”，“doi-asserted-by”：“crossref”，“first pages”：“11”，“doi”：“101016\/j.cviu.2017.05.007”，“article-title”：“”《ImageNet上卷积神经网络进展的系统评估》，“卷”：“161”，“作者”：“米什金”，“年份”：“2017年”，“期刊标题”：“计算”。视觉。图像理解。“}，{”key“：”10.1016\/j.media.2022.102567_b32“，”series-title“：”2011年数字图像计算国际会议：技术与应用“，”首页“：”19“，”article-title“：“MRI中椎体和椎间盘的自动三维分割”，“author”：“Neubert”，“year”：“2011”}，“key”：“10.1016\/j.meda.2022.10.2567_b33”，“series-title“：”医学图像计算和计算机辅助干预“，”首页“：”548“，”文章标题“：”3D-upcaps:未设置三维胶囊以进行体积图像分割“，”卷“：”12901“，”作者“：”Nguyen“，”年份“：”2021“}，{”key“：”10.1016\/j.media.2022.102567_b34“，”series-tile“：“注意U-Net:学习在哪里寻找胰腺”，“author“：”Oktay“，”year“：”2018“}，{”key“：”10.1016\/j.media.2022.102567_b35“，”series-title“：”Medical Image Computing and Computer Assisted Intervention“，”first page“：“30”，”article-title“：“一网打尽：一个通用的轻量级精确三维医学图像分割系统”，“author”：“Perslev”，“year”：“2019”}，”{“key”：“”10.1016\/j.media.2022.102567_b36“，“series-title”：“医学图像计算和计算机辅助干预”，“首页”：“234”，“article-title”：“U-Net:生物医学图像分割的卷积网络”，“卷”：“第9351卷”，“作者”：“Ronneberger”，“年份”：“2015”}，{“密钥”：“10.1016\/j.media.2022.102567_537”，“series-title“：”医学图像计算和计算机辅助干预”，“首页”：“556”，“文章标题”：“深层器官：用于自动胰腺分割的多层深层卷积网络”，“卷”：“卷9349”，“作者”：“罗斯”，“年份”：“2015”}，{“键”：“10.1016\/j.media.2022.102567_b38”，“doi-asserted-by”：“crossref”，“doi”：“1016\/j.media.2020 0.101894”，“文章标题“：“随机补丁网络融合的高分辨率三维腹部分割”，“卷”：“69”，“作者”：“唐”，“年份”：“2021”，“期刊标题”：“医学图像分析”。“}，{”key“：”10.1016\/j.media.2022.102567_539“，”series-title“：”Computer Vision\u2013 ACCV 2020“，”first page“：“635”，”article-title“：“MBNet:X射线图像语义分割和腰椎检查的多任务深层神经网络”，“volume”：“Vol.12626”，“author”：“Tran”，“year”：“2021”}，“issue”：“12”，“key”：”10.1016\/j.media.2022.102567_b40“，”doi-asserted-by“：”crossref“，”first page“：”2768“，”doi“：”10.1109\/TMI.2019.2913184“，”article-title“：”3D经直肠超声前列腺切分的深度关注特征“，”volume“：“38”，”author“：”Wang“，”year“：”2019“，”journal-title”：“IEEE Trans。医学成像“}，{“key”：“10.1016\/j.media.2022.102567_b41”，“series-title”：“脊柱成像的计算方法和临床应用”，“首页”：“66”，“文章-标题”：“使用完全扩张的可分离深部神经网络自动分割椎间盘”，“卷”：“11397”，“作者”：“王”，“年份”：“2019”}10.1016\/j.media.2022.102567_b42“，”doi-asserted-by“：”crossref“，”first page“：”168“，“doi”：“10.1016\\j.media.2019.03.003”，“article-title”：“CT男性盆腔器官分割使用具有边界敏感表示的完全卷积网络”，“volume”：“54”，“author”：“Wang”，“year”：“2019”，“journal-title“：”Med.Image Anal。“}，{”key“：”10.1016\/j.media.2022.102567_b43“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang，\u00a0J.，Xie，\u001a0Y.，Xia，\u000a0Y..，Shen，\u100a0C.，2021。DoDNet：学习从多个部分标记数据集分割多器官和肿瘤。收录：IEEE\/CVF计算机视觉和模式识别会议论文集。CVPR，第1195\u20131204页。“，”DOI“：”10.1109\/CVPR46437.2021.00125“}，{“问题”：“7”，“关键”：“10.1016\/j.media.2022.102567_b44”，“DOI-asserted-by”：“crossref”，“首页”：“4681”，“DOI”：“101109\/TII.2019.2943898”，“文章标题”：“用于故障诊断的深度残余收缩网络”，“卷”：“16”，“作者”：“赵”，”年“：“2020”，“新闻标题”：“IEEE传输。Ind.Inf.“}，{“key”：“10.1016\/j.media.2022.102567_b45”，“doi-asserted-by”：“crossref”，“doi”：“101155\/2021\/5594920”，“article-title”：“基于MRI图像的腰椎间盘突出症的临床诊断价值”，“volume”：《2021》，“author”：“Zheng”，“year”：“2021”，“journal title”：《j.Healthc.Eng.》}，“issue”：“3”，“key“10.1016\/j.media.2022.102567_b46“，”doi-asserted-by“：”crossref“，”first page“：”753“，”doi“：”10.1109\/TMI.2019.2935018“，”article-title“：”前列腺MR图像分割的边界加权域自适应神经网络“，”volume“：“39”，“author”：“Zhu”，“year”：“2020”，“journal-title”：“IEEE Trans。医学成像“}，{“key”：“10.1016\/j.media.2022.102567_b47”，“series-title”：“2018国际3D视觉会议”，“首页”：“682”，“文章标题”：“三维医学图像体积分割的粗到细框架”，“作者”：“朱”，“年份”：“2018”}，}“问题”：“9”，“key“10.1016”：“j.media.2022.1022567_b48”，“doi-asserted-by”：“crossref”，“首页“：”1612“，”DOI“：”10.1109\/TMI.2010.2047112“，”文章标题“：”基于注册的心脏MRI全心脏自动分割传播框架“，”卷“：”29“，”作者“：”庄“，”年份“：”2010“，”期刊标题“：“IEEE Trans。医学成像“}，{”key“：”10.1016\/j.media.2022.102567_b49“，”doi-asserted-by“：”crossref“，”first page“：“77”，“doi”：“10.1016\/j.meda.2016.02.006”，“article-title”：“MRI全心脏分割的多尺度贴片和多模态图谱”，“volume”：“31”，“author”：“庄”，“year”：“2016”，“journal-title“：”Med.Image Anal.“}]，“container-ti”“：[”医学图像分析“]”，“original-title”：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S1361841522002092？httpAccept=text\/xml”，“content-type”：“text\/xml”，“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：“http://api.elsevier.com/content\/aarticle\/PII:S1365184 1522002092？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2024,5,16]]，“date-time”：“2024-05-16T11:57:26Z”，“timestamp”：1715860646000}，“score”：1，“resource”：{“primary”：“URL”：“https:\\/linkinghub.elsevier.com/retrieve\/piii\/S136184 1522002092“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[2022,10]]}，”references-count“：49，”alternative-id“：[”S1361841522002092“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.media.2022.102567“，”relation“：{}，“ISSN”：[”1361-8415“]，“ISSN-type”：[{“value”：“1361-8414”，“type”:“print”}]，“subject”：【]，“published”：{“date-parts”：[[2022,10]]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“本文由”｝，｛“value”：“用于三维腰椎解剖分割的具有弱特征增强的灰度自调整网络”，“name”：“articlettle”，“label”：“文章标题”｝，｛“value”：“医学图像分析”，“name”：“journaltitle”，“label”：“Journal Title”｝，｛“value”：“https://doi.org/10.1016\/j.media.202.102567”，“name“：”articlelink“，”label“：”CrossRef DOI link to publisher maintained version“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“value”：“\u00a9 2022 Elsevier B.V.保留所有权利。”，“名称”：“版权”，“标签”：“copyright”}]，“文章编号”：“102567”}