提出了一种 PBNet 方法，由多级全局感知模块（MGPM）和边界引导模块（BGM）组成，用于从超声图像中分割乳腺肿瘤。在 MGPM 中，建模了单层特征图中体素之间的长程空间依赖关系，然后融合了多级语义信息以提高模型对非增强肿瘤的识别能力。在 BGM 中，使用最大池化的膨胀和侵蚀效果从高级语义图中提取肿瘤边界，并利用这些边界来引导低级和高级特征的融合。通过对公开可用数据集和院内数据集进行的广泛对比实验表明，所提出的 PBNet 在定性可视化结果和定量评估指标方面优于现有的方法，Dice 分数、Jaccard 系数、特异性和 HD95 分别提高了 0.70%、1.1%、0.1% 和 2.5%。此外，割舍实验证明了所提出的 MGPM 对于区分非增强肿瘤以及 BGM 和 BS 损失对于优化肿瘤的分割轮廓也是有帮助的。

Oct, 2023

我们提出了一种基于预训练 2D 图像模型的策略，使用单点提示来进行 3D 医学图像分割，并通过引入轻量级适配器来提取深度相关的（3D）空间上下文，以实现准确的边界。与其他分割方法相比，我们的方法在结肠和胰腺肿瘤分割方面具有卓越的性能。

Oct, 2023

本文介绍了一种基于深度学习的微观细胞图像语义分割，提出了针对数据量少的高效学习框架，并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明，与传统方法相比，提出的方法提高了 Dice 系数 (DSC)。

Apr, 2023

本文提出了基于 prompt learning 的无监督深度学习方法，通过人工构造的任务设计，训练模型回答输入图像的 voxel 强度与肿瘤样异常之间的联系，以实现无需专家标注的脑肿瘤分割，而在公开数据集和内部数据集上都取得了显著进展。

Apr, 2023

提出有效的脑 MR 图像注释框架，通过少量提示性注释样本训练可达到与完整数据集训练相媲美的性能，从而节省手动注释成本并提高医学图像处理中的数据效率。

Jun, 2022

通过使用 SegGPT 作为基础模型，分别为每个新类别使用可学习的提示语进行预测，并通过图像修复任务解决遥感领域中存在的对象大小不一致性和补丁边界的不连续性问题，同时利用图像嵌入的相似性搜索来选择提示语和减少误报预测，实验结果表明我们的方法将简单微调的 SegGPT 在 Few-shot OpenEarthMap 数据集验证集上的加权 mIoU 从 15.96 提升到 35.08。

Apr, 2024

基于多尺度关注引导 U-Net 模型以及 Swin Transformer 的三维脑肿瘤分割方法的性能评估。

Mar, 2024

提出了一种全自动解决方案，名为通用无提示的 SAM 框架 (UN-SAM)，用于细胞核分割，具有优异的泛化能力，通过自动生成高质量掩膜提示来引导分割任务，并利用可学习的域查询来进行不同核域中的分割。

Feb, 2024

通过引入改进的像素级图像分割模型 Segment Any Cell (SAC)，结合自动生成的实用提示和先进的 Fine-Tuning 技术，在核分割领域实现了优于现有 SOTA 方法的性能提升。

Jan, 2024

通过使用粗糙语义分割掩模作为输入以及零 - shot 可提示的基础模型作为优化目标，我们提出了一种不需要提示的分割方法来解决低数据环境下分割模型的性能下降问题，并在肌肉骨骼超声图像数据集上进行了实验证明我们方法的优势，在不同程度的低数据环境下，随着训练集大小的减小，取得了更大的性能提升。

Apr, 2024