本研究提出了一种自适应视觉-语言模型，用于肺动脉和静脉的三维分割，减少了对标注数据的依赖。通过语言引导的交叉注意力融合框架，结合预训练的CLIP模型，实验结果表明该方法在分割任务上优于其他先进技术。

本研究提出了一种名为Find3D的三维开放世界部件分割方法，通过大规模无人工注释训练，显著提高了分割性能和速度。

该研究提出了一种贝叶斯自训练框架，用于解决三维分割领域缺乏标注数据的问题。该方法通过随机推断生成初始伪标签并基于点的估计不确定性进行过滤，取得了最先进的结果，显著提升了密集三维视觉定位的性能。

本文介绍了一种基于高斯函数的三维分割和重建方法，利用二维分割图指导三维高斯语义信息学习，提出了SA-GS和SAGA等新方法，显著提高了三维对象的分割精度和速度。

该文汇总多篇无监督域自适应研究，采用深度感知、边缘先验、特征聚类与正交损失、能量模型、混合图像点云特征及熵引导自监督等方法，缩小合成到真实等域间差距，提升语义分割、神经元膜片分割、三维分割和少样本图像分类性能，多项达最先进水平。

该文汇总多项深度学习医学图像分割研究：微CT分割兔胎骨骼评估药物毒性；CartiMorph自动测量膝软骨指标；MRI模型分割儿童脑肿瘤；图神经网络检测耳蜗分割错误；条件模型实现多模态全心分割；TRUNet提升三维心脏结构分割；TransVNet预测骨骼退化；TraBS优化乳腺MRI组织分割；UNETR用Transformer编码器实现多器官分割；多标记模型改善胎儿脑部MRI分割。

医学图像分割研究综述显示，SAM-Med3D通过大规模3D架构训练显著提升三维医学图像分割性能；SAM在脑MRI分割中优于BET，尤其适用于信号不均和损伤情况；对33个数据集的分析发现，SAM在颈动脉、肾上腺等分割上仍有不足；SAMIHS结合边界敏感损失用于颅内出血分割；MA-SAM适配体积和视频数据，在CT、MRI等任务中超越nnU-Net；MedSAM构建超20万掩膜数据集，DSC提升22.5%和17.6%。

该文综述多种基于盒子的实例分割方法：利用目标检测与实例规范化提升生物图像分割精度；用距离变换与残差解卷积实现跨框分割；B2Inst以全局边界表示提升边界精度；关键点检测法分割细胞；CFNet处理完全遮挡与密集目标；图像级标签两阶段框架生成伪掩模；多尺度网络做显著性分割；不确定区域指导检测道路异常；分类模块与度量学习提升手术工具分割；ISBNet用核与动态卷积实现三维实例分割。

该文综述多种实例分割方法，包括基于距离变换与残差解卷积的掩码网络、基于盒子的生物图像分割、以核表示实例的ISBNet三维分割、解决重叠问题的OCFusion、边界框监督的深度网络、结合CRF的语义分割系统、用于遮挡边界检测的Attention Loss、利用边界信息的OBG-FCN、处理遮挡的双层卷积网络，以及基于FCN的像素级实例候选方法，这些方法均在相关数据集上表现优异。

该论文介绍了一种名为TSegFormer的多任务3D变换器架构，用于在光学口腔扫描仪中对牙齿和牙龈进行准确的三维分割。通过几何引导损失进行边界细化，实现终端到终端的分割，避免了耗时的后处理。实验证明TSegFormer优于现有方法，具有临床适用性。