本研究提出了一种基于模糊语义的首阶逻辑方法，用于医学图像中神经的描述和识别。通过结合解剖学知识与模糊语义，开发了一种空间推理算法，帮助外科医生有效提取和识别神经，以制定手术计划。

本文介绍了OpenCV中的连通组件标记算法，主要用于识别二值图像中的连接像素区域。该算法分为一步法和两步法，基于图的搜索和扫描，通过遍历像素并合并相邻像素的标签，生成标记矩阵。适用于医学图像分析和工业检测等领域，强调算法的选择与优化。

本研究提出了一种混合Dense-UNet201优化方法，克服了传统Pap涂片图像分割模型在复杂细胞结构上的局限性。实验结果显示，该模型在图像分割中的精度达到96.16%，对医学图像分析具有重要意义。

本研究提出了医学推理分割和检测（MedSD）新任务，旨在解决现有医学图像感知方法的局限性。通过引入多视角医学数据集（MLMR-SD）和模型MediSee，研究表明该方法能够有效处理隐含查询，且性能优于传统方法。

本研究提出了MedSegFactory框架，旨在解决医学图像和分割掩膜生成中的数据稀缺问题。该框架结合双流扩散模型和交叉注意机制，生成高质量的图像-掩膜配对，显著提高了一致性和可靠性。实验结果显示，MedSegFactory在2D和3D分割任务中表现优越，提升了医学成像的效率和准确性。

本研究提出了一种名为BiSeg-SAM的弱监督框架，旨在提高医学图像中息肉和皮肤病变的二元分割精度。该框架结合了SAM模型和CNN模块，通过自动提示框和多选掩模技术，显著提升了分割效果，实验结果优于现有技术。

本研究提出UniCrossAdapter，有效解决医学图像与文本对齐问题，显著提升放射学报告生成效果，显示出良好的应用潜力。

本研究提出了MedLoRD生成扩散模型，旨在解决医学图像生成中的数据稀缺问题。该模型能够生成高达512×512×256分辨率的医学体积图像，且生成质量优于现有技术，具有广泛的临床应用潜力。

2024年国际人工智能顶会录用3,032篇论文，录取率为23.4%。昆明理工大学与中国海洋大学的研究团队提出了一种新型未对齐医学图像融合方法BSAFusion，解决了多模态医学图像的特征对齐和融合问题，显著提升了诊断效率，对医学影像处理领域具有重要意义。

本研究提出了一种新颖的多轴交叉协方差注意力机制（MAXCA），有效提升高分辨率医学图像配准性能，解决了细微纹理信息处理不足的问题。

本研究提出了一种新架构QTSeg，结合特征金字塔网络与多查询掩码解码器，解决医学图像分割中的长范围依赖性问题。QTSeg在低计算复杂度下实现了更高的分割精度，实验结果表明其优于现有方法。

本研究提出了一种轻量级卷积神经网络的交互式三维医学图像分割网络（LIM-Net），通过用户提供的2D掩模和多轮结果融合，性能优于传统SAM模型，适合资源受限环境。

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。

本研究提出了一种基于自动失真识别的无参考医学图像质量评估方法，旨在提高MRI引导放疗中的图像质量。通过分析106,000幅MR图像，该方法有效提升了图像质量指数，改善了肿瘤追踪的准确性，具有重要的临床应用价值。

本研究提出了一种新型混合注意力网络（HAN）架构，结合卷积神经网络与变换器，显著提高医学图像中解剖标志检测的精度与效率。