本研究提出了BioVFM-21M数据集，涵盖多种生物医学图像，探讨模型扩展对任务性能的影响。BioVFM模型在12个医学基准测试中超越了现有最佳模型。

本研究提出了一种新型量子视觉变换器模型，利用参数化量子神经网络提升生物医学图像分类的特征表示，降低模型复杂度，展示了量子机器学习的潜力。

麻省理工学院开发了ScribblePrompt，一种用于生物医学图像分割的交互工具。它利用神经网络，支持涂鸦、点击和边界框等多种注释方式，适合不同标签和图像类型。研究显示，ScribblePrompt在速度和准确性上优于现有方法，并能在低资源环境中高效运行。

本文提出了一种基于机器学习的主动学习方法，用于3D电子显微镜影像中的超像素层次聚合分割。研究表明，该方法在分割准确度上优于现有算法，并介绍了新颖的分割框架和评估标准，旨在提升生物医学图像分析的自动化和准确性。此外，开发了Nellie系统用于细胞内结构的自动分割和跟踪，支持无代码操作和深度分析，推动神经科学研究的进展。

本文介绍了一种基于注意力机制的细胞检测变换器（Cell-DETR），实现了快速准确的实例分割，并提升了实验信息输出。研究探讨了深度学习在生物医学图像分析中的应用，展示了其在细胞图像分割和纳米颗粒观察中的优势。

本文介绍了基于Segment Anything Model (SAM)的细胞核分割方法，包括全自动无提示框架（UN-SAM）和单点提示网络（SPPNet），在生物医学图像分割任务中表现优异，超越了现有技术，具有良好的泛化能力和训练效率。

本文探讨了数字图像取证的现状与挑战，提出了检测伪造图像的新方法和算法，分析了社交媒体虚假信息的影响，并评估了现有算法在生物医学图像中的表现。研究表明，现有技术在伪造图像检测方面存在局限，需进一步改进。

本文探讨了多种视觉语言模型在组织病理学中的应用，特别是无监督技术CPLIP，通过对齐图像和文本来提升分类和分割任务的性能。研究还提出了基于知识增强的视觉-语言预训练方法，显著提高了病理图像分析能力。此外，开发了通用视觉语言助手，能够回答生物医学图像相关问题，展示了大型模型在医学图像处理中的潜力。

该研究提出了一种利用神经场快速构建生物医学图像图谱的方法，应用于胎儿子宫内动态BOLD MRI时间序列的学习和运动稳定化，收敛速度快5-7倍，为胎儿BOLD时间序列提供高质量的图谱，能够快速处理和稳定大型数据库的4D动态MRI采集。

该研究提出了一种基于不确定性引导的改进网络 (URN) 用于减轻生物医学图像中的干扰因素的影响，并构建了一个包含 1,290 张拼接图像的生物医学图像拼接检测数据集 (BioSp)。经过实验证明了该方法的优越性，并验证了 URN 的泛化性和抗后处理方法的鲁棒性。