在navicat for mysql 创建函数，保存的时候出现1064错误解决方法：很有可能是mysql语句出现语法错误，仔细检查一下符号是否为英文，是否忘记写符号“；”

其中包含两个主要部分：条件分支（黄色部分）和分割分支（粉色部分）。这个框架利用支持集（Support Set）中的图像来指导和调整查询图像的分割过程。使用支持集（含k张已标注图像）指导模型对查询图像进行新类别分割。少样本分割致力于用极少量标注样本识别新类别。

概率：模型对结果的“倾向性”；不确定性：模型对自身判断的“怀疑程度”；置信度：综合两者后对“预测可靠性”的最终评价。

org.xml.sax.SAXParseException; lineNumber: 27; columnNumber: 38;元素类型 "collection" 必须后跟属性规范 ">" 或 "/>"

其中包含两个主要部分：条件分支（黄色部分）和分割分支（粉色部分）。这个框架利用支持集（Support Set）中的图像来指导和调整查询图像的分割过程。使用支持集（含k张已标注图像）指导模型对查询图像进行新类别分割。少样本分割致力于用极少量标注样本识别新类别。

本文提出了一种创新方法DFG，将Segment Anything Model（SAM）引入无源源域自适应（SFDA）医学图像分割任务。通过双特征引导（目标模型和MedSAM特征）的自动提示搜索框架，解决了传统SFDA方法伪标签不准确和SAM需人工交互的问题。实验表明，DFG在跨模态腹部MRI/CT分割和前列腺MRI分割任务中，Dice系数显著优于现有方法（如腹部CT→MRI任务达84.9%）。该方

基于深度学习（DL）的医学图像分割方法虽有显著进步，但实际场景中测试数据（目标域）与训练数据（源域）常存在，源于设备、患者人群、图像质量等差异，会严重降低模型在目标域的性能。

本文提出一种基于多图匹配的测试时领域泛化框架（TTDG），用于解决医学图像分割中的领域偏移问题。该方法通过构建图结构并引入宇宙嵌入实现多图匹配，利用形态学先验知识提升模型泛化能力。在视网膜和息肉分割数据集上的实验表明，该方法在多源和单源领域泛化任务中均优于现有方法，平均DSC最高提升19.09%。关键创新在于将循环一致性约束融入图匹配过程，有效捕获全局结构信息，并在测试时无需目标域标签即可快速适应

本文提出了一种基于SAM（Segment Anything Model）的IPLC框架，用于解决医学图像分割中的无源域适应（SFDA）问题。针对现有SFDA方法存在监督不足和伪标签噪声的挑战，IPLC框架通过多次随机采样和熵权重估计生成鲁棒伪标签，结合平均负曲率最小化实现平滑分割，并采用迭代修正学习策略逐步优化模型。在M&MS心脏MRI数据集上的实验表明，该方法在四个不同扫描仪域上均显著优

本文提出SRPL-SFDA方法，解决医学图像分割中的无源源域自适应问题。通过测试时三分支强度增强(T3IE)生成兼容SAM的伪标签，利用多SAM输出一致性(CMSO)筛选可靠区域，并设计可靠性感知训练损失(RPSR)区分监督。在前列腺和胎儿脑MRI数据集上，Dice系数分别提升4.95%和1.69%，接近全监督性能。创新性地利用SAM的零样本能力优化伪标签，无需微调或源域数据，具有模型无关性。未来