PropSAM: 一种基于传播的模型，用于多模态医学图像中任何3D物体的分割

研究介绍了一种深度学习框架，用于医学图像分割，无需特定任务信息和人为干预。

该系统基于固定模型拓扑和超参数，排除模型选择过程，避免过拟合。

通过多平面数据增强，结合2D架构，提升了模型对3D图像的泛化性能。

提出了MDViT模型，包含领域适配器，能有效利用小型数据资源，提升跨领域表示学习。

MDViT在多个皮肤病变分割数据集上表现优越，推理时具有更好的分割性能。

引入MA-SAM框架，适用于各种医学数据，能提取第三维信息，表现优于现有三维方法。

提出了3D DeformUX-Net，解决了传统ViTs和大内核卷积的缺点，持续优于现有模型。

建立了SAT模型，通过文本提示进行任意物体分割，整合多个知识源构建多模态医学知识树。

SAT-Nano模型在31个分割数据集上表现与专家nnUNets相当，参数仅107M。

提出MedContext框架，无需大规模标注数据，通过自监督学习提高分割性能。

3D-EffiViTCaps网络结合3D胶囊块和EfficientViT块，验证了其在医学图像分割中的性能和效率。

SegFormer3D模型在3D医学图像分割中具有更少的参数和更低的计算复杂性，取得竞争性结果。

Perspective+ Unet架构通过双通道策略和非局部变换块，提升了对图像全局结构的理解。