本文提出了一种新的零样本无监督生物医学图像分割方法——注意力扩散零样本无监督系统（ADZUS）。该方法利用预训练的扩散模型，实现无需注释的医学图像分割，实验结果表明其在多种医学影像数据集上表现优异，具有广泛的应用潜力。

本文提出了一种新的生物医学图像分割任务的损失函数，称为实例和实例中心（ICI）损失。ICI损失解决了实例不平衡问题，并在卒中损伤分割任务中表现出更平衡的分割效果。ICI损失相对于Dice损失和Blob损失提高了1.7-3.7％和0.6-5.0％的Dice相似系数。ICI损失是解决实例不平衡问题的潜在解决方案。

本文介绍了all-in-SAM流程，通过在整个AI开发工作流中使用SAM，无需手动提示，取代了在推理阶段使用提示的方法。实验证明，all-in-SAM在生物医学图像分割任务中表现优异，超越了最先进的方法，并且使用弱注释进行SAM微调的结果也具有竞争力。

本文介绍了all-in-SAM流程，通过在整个AI开发工作流中使用SAM，无需手动提示即可进行推理。该方法在生物医学图像分割任务中表现出色，超越了最先进的方法，并使用弱注释进行SAM微调的实验结果表明其性能具有竞争力。