图4.病灶感知增强模块（LAEM）的图示。本研究提出了一种创新的SAM驱动双Swin Transformer网络SAM-Swin，通过整合SAM2引导的病灶定位、多尺度病灶感知增强模块和多尺度类感知指导损失，实现了对喉咽部肿瘤的高精度检测和分类，并在三个临床数据集上显著优于现有先进方法，为早期LPC诊断提供了强大的自动化工具。其中，(a) M1（仅WIB），(b) M2（仅LRB），(c) M3（

MedLAM是一个3D定位基础模型，通过统一解剖映射（UAM）和多尺度相似性（MSS）两个自监督任务进行训练，将不同个体的扫描图像映射到共享的3D隐式解剖坐标系，并细化像素级局部特征的相似性，以实现任何解剖结构的精准定位。图4. 全补丁定位（WPL）和子补丁定位（SPL）策略的比较。该研究提出了MedLAM，一个利用少量模板扫描实现3D医学图像中任何解剖结构精准定位的自监督基础模型，并将其与SAM

相比现有SOTA方法，mIoU@20分别提高了2.58%和1.16%，mNoI@85分别减少了4.57和2.87次交互，显著提高了分割精度和交互效率，并减少了失败分割图像数量。在全玻片级别交互式分割中，ProGIS的GPU内存消耗约为2GB，具有良好的计算效率和内存友好性，支持其在临床中的应用。ProGIS是一个原型引导的交互式分割框架，通过引入类别原型和监督对比损失，实现了高效、高精度的多类别病

2026.3.5本文提出BIASNet，一个用于弱监督医学图像配准的新型网络，通过双属性特征学习、语义引导的渐进式配准和解剖区域形变一致性学习，有效利用分割标签的先验信息，实现了优于现有最先进方法的配准精度和鲁棒性，尤其在大形变场景下表现突出。Title题目01BIASNet: A bidirectional feature alignment and semantics-guided netwo

2026.1.5本文提出PathoSeg模型，这是一种结合HRNet编码器和UNet++解码器的病理图像分割网络，并引入PathopixGAN生成合成数据以解决数据不平衡问题，最终在乳腺癌、肝脏脂肪变性和前列腺癌腺体分割任务上优于现有技术并提升了模型泛化能力。Title题目01A robust image segmentation and synthesis pipeline for histop

此外，它还包括：(a) 一个用于多视图切片表示学习的切片编码器（绿色），(b) 一个用于视图特定表示学习的差异感知形态强化（DaMR）模块，以及(c) 一个用于多视图表示融合的依赖感知信息聚合（DaIA）模块。该研究提出了一种名为CvDd-Net的体积医学图像分割模型，通过利用多视图切片先验，并引入差异感知形态强化（DaMR）和依赖感知信息聚合（DaIA）模块来有效捕获视图间的差异和依赖性，从而显

此外，计划尝试更广泛的数据增强方法和更先进的微调策略，以进一步提升性能。本文旨在将SAM无缝集成到SSL框架中，利用其提示机制，开发从未标注数据中学习的有效策略，提出了CPAC-SAM框架，包含SAM驱动的交叉提示、原型引导网格采样和提示一致性正则化，以实现SAM在半监督训练中的持续优化和更高精度。本研究提出了CPAC-SAM，一个基于SAM的交叉提示框架，通过原型引导的网格采样和提示一致性正则化

尽管取得了有希望的结果，我们的研究仍有局限性。图12. 骨盆骨折术前复位规划的尸体验证实验结果（a）尸体骨盆损伤前形态的初始3D重建图像（b）人为造成的Tile C1型骨盆环骨折（c）使用FDMSS-UNet进行的自动分割结果（d）通过递归位姿估计模块（RPEM）完成的自动复位规划效果。图6. 骨折分割结果在2D轴位切片上的示例（a）分离移位的骨折碎片（b）分离但未移位的骨折碎片（c）压缩碰撞的骨

我们提出的PK-TriDo的架构如图2所示，包括三个子网络：(1) SISD-Former，用于保留正电子发射断层扫描图的内部结构并滤除噪声，(2) FaIR-Former，用于保留正电子发射断层扫描图到高频细节的转换，以及 (3) 带有AdvNet的图像重建，通过对抗训练进一步增强图像质量。每个剂量水平，第一行展示了SPET图像、LPET图像和重建图像，第二行展示了图像的放大区域以进行更细致的检

在分类任务中，采用了注意力瓶颈模块，用于图像特征和临床特征的融合。我们使用基于CNN和Transformer的架构在三种成像模态下评估了MTANet的性能：CVC-ClinicDB数据集用于息肉分割，ISIC-2018数据集用于皮肤病变分割，以及我们的私有超声数据集用于肝肿瘤分割和分类。图2显示了提出的MTANet的概述，该网络在基本UNet模型的解码器中使用了逆加注意力模块和并行部分解码器，以获