在ARIC（社区动脉粥样硬化风险研究）队列中纳入898名AV硬化患者，分析DL预测的DD概率与两个终点的关联：1）新发AS诊断；2）18例AV硬化患者接受¹⁸F-氟化钠（NaF）和¹⁸F-氟代脱氧葡萄糖（FDG）PET/CT评估瓣膜炎症与钙化。ACC/AHA指南将AS分为四期，其中A期（AV硬化）和B期（轻中度AS）分别占老年人群的39%和17%。本研究探讨基于超声心动图的深度学习（DL）模型评估

本文提出了一种针对广义少样本分割 (GFSS)的新方法。不同于传统的元学习（Meta-learning）路线，作者利用视觉提示（Visual Prompting）技术来微调 Transformer 解码器。设计了一套多尺度 Transformer 解码器架构，通过学习到的视觉 Prompt 来指导分割。引入了单向因果注意力机制 (Novel-to-Base Causal Attention)，让新

针对 SAM2 在医学图像分割（MIS）中严重依赖人工 Prompt 且容易受到相邻组织干扰的痛点，本文提出了一种全新的免提示（Prompt-free）框架OFL-SAM2。该方法通过引入一个在线少样本学习器（Online Few-shot Learner），利用极少量标注数据训练一个轻量级映射网络，为视频或 3D 序列的每一帧自动生成具有判别性的目标特征。

将 SAM 等视觉基础模型迁移到医学图像领域时，通常面临模态差异大和微调成本高/易遗忘的难题。本文提出了SegMoTE框架，在冻结 SAM 图像编码器的前提下，引入了Token级别的混合专家机制（MoTE）。它能根据不同的医学影像模态（CT、MRI、X-ray等）动态路由并激活专属的“专家 Token”。此外，作者还设计了渐进式提示Token化（PPT），实现了无需人工交互的全自动分割。搭配作者精

在医学图像分割中，由于隐私限制，无源无监督域自适应（SFUDA）成为了临床部署的关键。然而，现有方法大多只能处理特定且差异较小的领域偏移，无法泛化为一个统一的框架。本文提出了Tell2Adapt，一个巧妙借助视觉基础模型（VFM）强大泛化能力的统一 SFUDA 框架。该方法通过上下文感知提示正则化（CAPR）将嘈杂的文本提示标准化，引导 VFM 生成高质量伪标签并蒸馏给轻量级学生模型；同时引入视觉

架构创新: 巧妙地将“渐进式”思想融入到了 U-Net 的解码器内部，而不是外部级联，极大地节省了计算资源。特征对齐: NFF 模块在特征空间进行非刚性配准（Feature Warping），这比单纯在图像空间操作更有效。双编码器优势: 实验证实，双编码器比单编码器更能适应不同模态或风格的图像对，提高了泛化能力。

MedicoSAM是一项针对 Segment Anything Model (SAM) 在医学图像领域进行全方位微调的实证研究。作者发现，现有的医学版 SAM（如 MedSAM）由于采用了简化的微调策略（仅使用 Box 提示），导致模型出现了**“灾难性遗忘”**，即丧失了基于点（Point）交互的能力。本文通过恢复 SAM 原生的迭代式训练目标（Iterative Training Object

StructSAM是一项针对医学图像（特别是肺部CT）中 Segment Anything Model (SAM) 的改进工作。针对 SAM 在医学图像中因低对比度和缺乏3D上下文而导致的分割失败问题，作者提出了一种结构感知提示适配框架。该模型不依赖大规模重新预训练，而是通过注入解剖学先验（如血管、器官掩码、梯度图）来生成提示词，并引入3D切片聚合器来保证体积一致性。在 LIDC-IDRI 数据集

在真实的临床环境中，医学图像数据往往以连续数据流的形式出现，且数据分布不断变化。现有的连续测试期自适应（CTTA）方法大多依赖于模型自身的预测置信度（如熵最小化）或伪标签，这在面对严重的领域偏移时极易引发“错误累积”和“灾难性遗忘”。为了打破这一困境，本文提出了一种全新的框架SPEGC。该方法放弃了不可靠的像素级监督，转而利用语义提示增强（SPFE）和可微图聚类（DGCS），从数据内部提取高阶的结

为了解决 Segment Anything Model (SAM) 在医疗图像上水土不服且依赖高质量人工提示（Prompt）的痛点，本文提出了一种专为医疗图像微调设计的免提示（Prompt-free）变体H-SAM。该模型通过引入两阶段分层解码器（Two-stage Hierarchical Decoding），第一阶段先生成一个先验概率掩码，以此引导第二阶段进行更精细的解码。