本研究提出的VesselSAM模型结合了Atrous Attention和低秩适应技术（LoRA），显著提高了主动脉血管分割的精度，整体DSC分数达到93.50%。该模型在多个医疗中心的测试中表现优异，为临床应用提供了新的方案。

该研究提出了一种新的方法，使用双编码器对比有序学习框架，将腹主动脉钙化量化为有序回归问题，并预测未来心血管事件的风险。在两个临床数据集上评估，具有高灵敏度和高准确性。

本研究提出了一种基于深度编码 - 解码架构的全自动算法，用于自动分割三维医学图像中的主动脉。该算法通过数据预处理和增强来解决低数据量情况下的主动脉分割问题，并在测试中获得了较高的稳定性和 Dice 分数。

该论文介绍了一个名为INSTANCE的大型挑战赛，提供了解决自动颅内出血分割问题和非均异性数据处理问题的基准测试和方法。13个团队提交的解决方案中，其中一个方法的DSC平均值为0.6925，相比基准方法有了显著提升。