本研究提出了RipVIS，一个大规模视频实例分割基准，解决了潮流识别中的数据不足问题，显著提升了分割性能，促进了海滩安全环境的建设。

本研究提出了一种新颖的L1加权骰子聚焦损失（L1DFL），旨在解决深度神经网络在自动检测和分割转移性前列腺癌病变中的分类困难。通过训练大量PET/CT扫描数据，L1DFL在分割性能上优于传统损失函数，显示出在复杂病变检测中的潜力。

本研究提出了一种新颖的PDZSeg模型，旨在解决内镜手术中因组织类型边界模糊导致的分解区分割问题。该模型通过多种视觉提示优化分割性能，研究结果表明其优于现有方法，为未来研究奠定了基础。

本研究提出DINO-LG模型，通过自监督学习提高冠状动脉钙化评分的准确性，专注于钙化区域，显著改善评分和分割性能，为冠状动脉疾病的预防提供更精确的工具。

本研究提出了一种新型的Couinaud分割模型LiverFormer，结合全球上下文与局部特征，采用3D混合CNN-Transformer架构，提升了肝癌治疗中肝脏亚区域的分割性能，优化了手术与放疗规划。

研究评估了心血管磁共振电影分割中的自监督预训练方法。结果表明，在标记数据稀缺时，自监督预训练能显著提升分割性能；但在数据充足时，对现有方法无明显提升。该研究为心血管成像自动化提供了新思路。

SimMAT框架解决了传感器无法收集与自然图像相似规模数据的问题，通过转移层实现视觉基础模型在不同物理特性的图像模态上的转移能力，提升了分割性能，揭示了跨模态转移学习的潜力。

该研究介绍了一种新的基于深度感知的隐蔽目标检测模型（DSAM），通过利用深度特征与RGB特征的互补性，DSAM实现了精确的分割和纠正错误部分，同时探索深度视角以精确分割高度伪装目标。DSAM在隐蔽目标检测方面取得了卓越的性能，并以更少的训练资源消耗达到了当前最先进的状态。

本研究通过自监督预训练在特定领域数据集上探究其对3D语义分割模型的影响。使用AMAES在提出的数据集上进行预训练显著提高了分割性能。可在GitHub获取复现结果的代码、模型检查点和BRAINS-45K数据集。

该研究介绍了一种新的基于深度感知的隐蔽目标检测模型（DSAM），通过利用深度特征与RGB特征的互补性，DSAM实现了精确的分割和纠正错误部分，同时探索深度视角精确分割高度伪装目标。DSAM在隐蔽目标检测方面取得了卓越的性能，并以更少的训练资源消耗达到了当前最先进的状态。

本文提出了一种基于Fourier的语义增强方法FIESTA，通过操纵频率域中的振幅和相位组件来增强医学图像分割的基本目标。实验结果显示，FIESTA在分割性能上超过了最近的最先进的单源域通用方法，并显著促进了模型在医学成像模态中的适用性。

该文章介绍了一种基于动量编码器的切片间融合变压器（MOSformer）方法，用于医学图像分割。该方法通过利用不同编码器提取的多尺度特征图中的切片间信息，克服了2.5D模型在处理每个切片时未能有效学习和利用切片间信息的问题。该方法在三个基准数据集上取得了较好的分割性能。

本研究提出了一种多尺度注意力网络，结合形状上下文和先验约束来实现胰腺分割。实验证明该模型在处理胰腺模糊边界、尺度和形状变化方面具有强大的分割性能。

本研究提出了一种迁移学习方法，使用轻量级 MobileNet 作为编码器的 U-Net 网络进行微调，以在受限的胎儿头部超声图像数据集上进行分割。该方法在减少可训练参数数量的同时仍能实现可比的分割性能，适用于医学图像分析领域。研究结果强调了在开发人工智能应用时，平衡模型性能与大小的重要性。

本文研究了多对象表示学习中的MONet模型，发现VAE正则化损失对分割性能没有影响，而其他损失函数有影响。作者提出了注意力最大化假设，并通过评估新的损失函数证实了这一假设。

本文介绍了一种名为Graph-Segmenter的网络，它通过Graph Transformer和Boundary-aware Attention模块，以全局和局部视角建模窗口之间的关系和窗口内像素之间的关系，实现了较低的边界调整成本，达到了最先进的分割性能。