医学图像分割迈入智能化精准时代！

大模型赋能的通用分割框架，通过海量多器官影像预训练，可快速适配新的分割任务，大幅缩短模型研发周期。针对儿童、罕见病患者的小样本数据，小样本学习策略实现 “少量标注，高效建模”。在手术导航场景，实时分割模型能动态追踪病灶位置，为微创手术提供精准指引。

前沿研究成果已备好，快来解锁医学影像分析新技能！

1.Semi-Supervised 3D Medical Segmentation from 2D Natural Images Pretrained Model

【要点】本文探讨了将基于二维自然图像预训练的通用视觉模型知识迁移到三维医学图像分割，提出了一种在半监督设置下提高3D医学图像分割性能的方法。

【方法】提出一种模型无关的框架，通过迭代互训练2D预训练模型和3D分割模型，使用彼此生成的伪掩膜，并结合学习率引导的采样策略，动态调整标注和无标注数据比例。

【实验】在多个公开数据集上进行的广泛实验表明，所提出的方法MN达到了最先进的性能，超过了十三种现有的半监督分割方法，并且证明MN模型无关，可无缝集成不同架构。具体数据集名称未在摘要中提及，但可以从论文的上下文推断使用了公开可用的医学图像数据集。

2.Consistent View Alignment Improves Foundation Models for 3D Medical Image Segmentation

【要点】本文提出了一种新的自监督学习方法——Consistent View Alignment，该方法通过明确地诱导不同视角数据的表示对齐，提高了基础模型在3D医疗图像分割任务中的性能。

【方法】研究采用了一种新的策略，即Consistent View Alignment，通过在不同视角间对齐表示来整合互补信息，避免引入错误正例。

【实验】本文的方法在MICCAI 2025 SSL3D挑战中，使用Primus视觉变换器和ResEnc卷积神经网络分别取得了第一和第二名的成绩。具体实验使用的数据集未在摘要中明确提及，但根据挑战的性质，应涉及标准的3D医疗图像数据集。

3.Enhancing Dual Network Based Semi-Supervised Medical Image Segmentation with Uncertainty-Guided Pseudo-Labeling

【要点】本文提出了一种基于双网络架构的半监督3D医疗图像分割框架，通过不确定性引导的伪标签生成和自我监督对比学习机制，有效减少了伪标签噪声并提高了分割性能。

【方法】研究采用了一种交叉一致性增强模块，结合交叉伪监督和熵过滤监督来降低伪标签噪声，并设计了一种动态权重策略，通过不确定性感知机制（即Kullback-Leibler散度）调整伪标签的贡献。

【实验】在Left Atrial、NIH Pancreas和BraTS-2019三个3D分割数据集上进行了广泛实验，所提方法在各种设置下均展现出优于现有方法的性能，例如在Left Atrial数据集上使用10%的标记数据达到了89.95%的Dice得分。此外，通过消融实验进一步验证了所提模块的有效性。

4.Medverse: A Universal Model for Full-Resolution 3D Medical Image Segmentation, Transformation and Enhancement

【要点】本文提出了Medverse，一种用于全分辨率3D医疗图像分割、转换和增强的通用模型，通过创新的上下文学习框架实现了多任务处理和跨模态、跨器官的通用性。

【方法】Medverse采用了一种渐进式细化的自回归上下文学习框架，并引入了块状交叉注意力模块，以保持计算效率的同时促进长距离上下文与目标输入的交互。

【实验】作者在22个数据集上训练了Medverse，这些数据集涵盖了多种医疗图像处理任务，并在广泛的保留数据集上进行了评估，结果显示Medverse显著优于现有的ICL基线，相关代码和模型权重已公开。