体积医学图像的人工标注，如 MRI 和 CT，通常既耗时又费力。虽然 SAM 2 这类视频目标分割基础模型可以通过少量切片标注将掩膜传播到整个体数据，但其单一记忆库与注意力机制容易在目标出现/消失的边界处产生误差传播。为此，本文提出 Short-Long Memory SAM 2（SLM-SAM 2），通过短期与长期记忆库以及独立注意力模块协同建模，提高传播分割的稳定性和准确性。

本文提出了一种面向虚拟免疫组化染色的病理感知薛定谔桥（PASB）方法。针对现有虚拟IHC染色技术在病理语义提取和生成模型适应性方面的不足，PASB采用薛定谔桥作为生成骨干，避免了固定先验假设，有效缓解模式崩塌问题。通过约束驱动对齐学习（CDAL）模块提取相邻切片的高层语义特征作为监督信号，并结合基于相似性的动态路径细化（SDPR）机制增强病理一致性。实验表明，PASB在生成质量和病理保真度上优于现

多实例学习 (MIL) 越来越多地用于组织病理学全视野数字切片图像 (WSI) 的分类。然而，这种特定分类问题的 MIL 方法仍然面临独特的挑战，尤其是那些与小样本队列(small sample cohorts)相关的方法。在这些方法中，WSI(包)的数量有限，而单个WSI的分辨率很大，这导致了需要从该WSI中裁剪大量的补丁(实例)。为了解决这个问题，我们建议通过引入伪包的概念来虚拟扩大包的数量，

多实例学习 (MIL) 越来越多地用于组织病理学全视野数字切片图像 (WSI) 的分类。然而，这种特定分类问题的 MIL 方法仍然面临独特的挑战，尤其是那些与小样本队列(small sample cohorts)相关的方法。在这些方法中，WSI(包)的数量有限，而单个WSI的分辨率很大，这导致了需要从该WSI中裁剪大量的补丁(实例)。为了解决这个问题，我们建议通过引入伪包的概念来虚拟扩大包的数量，