本研究提出了一种后训练量化框架，实现了3D医疗图像分割模型的8位量化，显著减少了模型大小和推理延迟，同时保持了性能，为资源受限的医疗成像应用提供了高效解决方案。

本研究提出了一种结合视觉语言推理与无监督领域适应的方法，旨在解决现有分割模型在训练时的类别限制问题。通过多尺度上下文数据和增强文本嵌入，构建的UDA-FROVSS框架能够在无需共享类别的情况下有效适应不同领域，从而提高细粒度分割能力。

本研究提出了一种系统选择切片的方法，以提升深度学习分割模型在横断面医学图像中的性能。实验结果表明，在相同标注预算下，标注较少切片并增加多个体积的标注更为有效，而无监督主动学习的切片选择效果不如随机或固定间隔选择。

本研究提出一种新方法，通过结合预训练分割模型、任务感知重建损失和对抗学习，解决基础强化学习中的干扰问题，提高学习效率和鲁棒性。

本研究提出了一种新型肺结节分割模型S3TU-Net，结合多维空间连接和超像素视觉变换器，利用结构化卷积块和多尺度特征融合技术，显著提升了分割性能。实验结果显示，S3TU-Net在LIDC-IDRI数据集上表现优于现有方法。

本研究提出了一种新颖的生成增强方法，旨在解决开放世界场景中分割模型在识别领域和语义分布转移方面的挑战，从而提升OOD检测和领域泛化性能。

本研究提出了一种新的对抗攻击策略——区域引导攻击（RGA），旨在利用区域引导图对任意分割模型（SAM）进行扰动，从而提高攻击成功率，揭示其潜在弱点。

该研究提出了一种新的视频对象分割方法，结合轻量级模块和分割模型，利用快速优化技术提高分割精度。实验结果表明，该方法在YouTube-VOS和DAVIS数据集上表现优异，具备高帧率和效率。同时，研究探讨了基于记忆机制的分割方法，解决了时间建模和准确性问题，取得了最新的性能。

本文介绍了医学图像分割模型的进展，包括TransUNet、DS-TransUNet和UNetFormer等。这些模型结合了Transformers和U-Net架构，显著提高了分割精度，尤其在复杂医学图像处理上表现优越。最新的MobileUtr模型在多个数据集上验证了其轻量级和高效性，推动了医学图像分割技术的发展。

本研究探讨了鸟瞩视图分割模型在自主驾驶中的泛化性能，强调跨数据集评估的重要性。通过多数据集训练，研究显示不同传感器对模型表现的影响，从而提升模型适应性和分割可靠性。

GMMSeg提出了一种新型分割模型，利用密集生成分类器捕获类条件密度，优于传统鉴别模型。研究还展示了基于高斯混合模型的可解释分割网络，以及结合CNN和弱监督方法的语义分割分类器，均在多个数据集上取得了良好效果。

本文提出了一种新颖的深度学习框架，用于在磁共振图像中估计脑肿瘤细胞，达到95%的Dice系数。研究表明，基于不完整图像数据的深度学习分割模型在临床中具有应用潜力，并开发了多模态方法和增量学习模型，以提高脑损伤分割和肿瘤检测的准确性。

该研究利用深度学习技术对亚撒哈拉地区儿童脑肿瘤的多模态磁共振成像数据进行分析，成功构建了精确的分割模型，Dice评分达到0.82至0.87。研究结果表明，集成方法优于单一模型，为脑肿瘤的诊断和治疗提供了重要参考。

本文介绍了一种名为GarDA的无监督分割方法，能够在医学领域中对多个未标记数据进行自适应处理，显著提升分割模型性能。该研究结合传统对抗性适应与判别器，有效解决了领域自适应问题，并在医学数据集上超越了现有方法。

ProLab是一种创新的属性级标签空间分割模型，使用大型语言模型和提示生成常识知识的描述，具有更强大的性能和可扩展性。它还能利用描述性属性进行泛化。

该研究开发了基于细胞的图像分类流程，训练了基于类别标签的模型。使用分割模型分别处理圆形和不规则形状的细胞。该方法在 NeurIPS 2022 Cell Segmentation Challenge 中获得了0.8795的F1得分。

我们的研究项目旨在提出三种可视化工具，以比较数据集统计和人工智能性能，增加分割模型的可解释性。工具使用散点图和热图编码相关性和特征，并通过对真实用户进行调查研究其在计算机视觉和人工智能领域的实效性。

提出了MS-Twins（Multi-Scale Twins）分割模型，通过结合不同尺度和级联特征，能更好地捕捉语义和细粒度信息，解决了医学图像分割中的最优化问题。在Synapse和ACDC两个数据集上，MS-Twins相较于现有网络结构有了显著进展，在Synapse数据集上的性能比SwinUNet高出8％，与nnUNet相比，在Synapse和ACDC上MS-Twins性能稍有优势。

AI的进展导致传统诊断方法衰退，端到端诊断即将到来。超声图像分割是诊断过程中的重要一步，准确的分割模型减轻了医生负担。研究结合FPN和SRNN提出了一种新的图像分割模型，提取不同尺度的解剖结构和腹部超声图像的空间上下文特征。