UniverSeg 利用新的交叉块机制解决了无需额外训练的医学图像分割任务，其中使用的 MegaMedical 数据集包含 53 个开放数据集，22,000 个扫描，UniverSeg 在各种解剖学和成像模式下的训练使其能够在新任务中表现出色。

Apr, 2023

提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。

May, 2024

本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化 Dice 系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

Jun, 2016

3D CT 分割基础模型应具备一次准确性能和自适应能力，而 VISTA3D 模型在系统训练时能够提供准确的立即分割，并实现了最先进的三维零交互分割。

Jun, 2024

提出了一种称为 MedContext 的通用训练框架，可以与任何现有的 3D 医学分割训练框架结合，无需大规模标注的体积医学数据或专门的预训练 - 微调阶段，并通过学习在输出分割空间中重构器官的缺失部分，以有效地学习自监督上下文提示，以提高分割性能。

Feb, 2024

医学图像分割的通用框架 S2VNet 利用切片到体积传播将自动 / 交互式分割统一在单一模型和一个训练会话中，通过从先前切片的聚类结果初始化聚类中心，使得框架可以高效地沟通远程切片，同时提供快速推断速度和较低的内存消耗。

Mar, 2024

借鉴了 Segment Anything Model (SAM) 的方法，我们提出了 SAM3D，该方法针对 3D 体积医学图像，利用 SAM 编码器的预训练特征来捕捉输入图像的意义表示，并通过整体处理 3D 图像而避免了大量参数的训练，实验结果表明，在 3D 医学分割任务中，我们的网络相对于其他最先进的方法具有竞争力且参数效率明显。

Sep, 2023

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

Nov, 2019

通过整合各种任务到一个统一模型并利用大量未标记数据来进行半监督医学图像分割，我们介绍了一个名为 VerSemi 的全新的多功能半监督框架，实验证明它在公共基准数据集上始终可以通过较大的边际优势（例如，在四个数据集上平均达到 2.69％的 Dice 增益）超越其他方法，为半监督医学图像分割设定了新的最佳表现。

Nov, 2023

本文介绍了一种基于深度学习的医学图像自动分割和半自动标注方法，该方法将自动分割和交互式分割结合到单个深度学习模型中，并允许易于集成基于不确定性的排名策略和主动学习。该方法通过使用标准训练结合用户交互模拟进行训练，可以显著减少专家标注医学影像的时间和精力。

May, 2023