Abstract翻译现有的三维体医学图像分割模型大多为任务专用模型：这类模型仅能在特定目标上取得优异效果，难以在不同解剖结构、不同影像模态之间泛化，这一缺陷极大限制了其在临床场景中的大规模落地使用。本文提出面向三维体医学影像的通用分割模型 SAM-Med3D。仅依靠少量三维提示点，SAM-Med3D 就能对多模态影像下各类解剖组织与病灶完成高精度分割。

ACDC（Automatic Cardiac Diagnosis Challenge）数据集是2017年MICCAI会议期间发布的一个公开心脏MRI数据集，旨在推动自动心脏结构分割与疾病诊断算法的发展。该数据集包含100例真实临床患者的心脏电影磁共振成像（cine MRI），涵盖五类心脏状况：正常对照、扩张型心肌病、肥厚型心肌病、心肌梗死后和右心室异常。

整体训练流程总览（按执行顺序）阶段调用位置 / 模块实现功能关键作用说明1. 初始化与参数解析argparse解析命令行参数，设置 GPU、路径、模型、数据等控制实验配置（如模型名、数据路径、五折验证 folder、损失类型等）2. 日志系统设置Logger类 +将所有print()输出同时写入控制台和日志文件自动记录训练过程，便于复现实验3. 数据集加载main()→加载 train / val

卷积神经网络（CNN）是医学图像分割领域最早被广泛采用、也是至今最为成熟和可靠的深度学习架构。自2015年 U-Net 模型提出以来，基于 CNN 的方法迅速成为该领域的黄金标准，并在大量临床任务中展现出卓越的性能，包括器官分割、肿瘤定位、血管提取等。Vision Transformer（ViT）最初为自然图像分类设计，但自2020年后迅速被引入医学图像分析领域，并催生了一系列专用于分割的架构。与

豪斯多夫距离（Hausdorff Distance, HD）衡量两个点集之间的最大边界偏差。但在医学图像中，由于噪声或标注误差，最大距离容易受离群点影响，因此常用 95% 分位数的 HD（HD95）作为更鲁棒的替代。

ResNet（残差网络，Residual Network）是由何恺明、张祥雨、任少卿和孙剑等人于2015年提出的一种深度卷积神经网络架构，其核心创新是（或称跳跃连接，shortcut connection），通过引入恒等映射路径，使网络能够学习输入与输出之间的残差（即F(x)=H(x)+x，从而有效缓解了深度网络中的梯度消失和网络退化问题，使得训练上百层甚至上千层的神经网络成为可能。

这里对UNETR++的代码进行讲解与学习记录，以Synapse数据集为例。

浏览器会自动打开Jupyter界面，新建的Notebook将默认使用该环境的Python内核。进入jupyter notebook，点击new，新建文件，编写代码后点击运行。任务栏搜索并打开Anaconda Prompt，输入以下命令创建新环境（将。替换为自定义环境名，

豪斯多夫距离（Hausdorff Distance, HD）衡量两个点集之间的最大边界偏差。但在医学图像中，由于噪声或标注误差，最大距离容易受离群点影响，因此常用 95% 分位数的 HD（HD95）作为更鲁棒的替代。

ACDC（Automatic Cardiac Diagnosis Challenge）数据集是2017年MICCAI会议期间发布的一个公开心脏MRI数据集，旨在推动自动心脏结构分割与疾病诊断算法的发展。该数据集包含100例真实临床患者的心脏电影磁共振成像（cine MRI），涵盖五类心脏状况：正常对照、扩张型心肌病、肥厚型心肌病、心肌梗死后和右心室异常。