本研究解决了图像分割领域中强编码器缺乏的问题，提出了一个名为SAM2-UNet的框架，将Segment Anything Model 2作为编码器，与经典的U型解码器结合。实验结果表明，SAM2-UNet在多个下游任务中表现出优越性，超越了现有的专业最先进方法，具有广泛的应用潜力。

本文介绍了一种深度卷积神经网络，旨在解决细胞分类中的数据分布不平衡和噪声问题。研究聚焦于白细胞分类，提出了基于DINOv2的DinoBloom模型，利用超过38万个白细胞图像，展示了在细胞类型分类和急性髓系白血病亚型分类中的优越性能。此外，提出的BC-SAM方法结合无监督学习，显著提高了血细胞图像的分类准确性。

本文评估了Segment Anything Model（SAM）在医学图像分割中的应用，提出了Med SAM Adapter方法以结合医学知识提升分割性能。研究显示，SAM在脑肿瘤和多器官CT分割中表现良好，尽管仍需手动标注以优化效果。通过新颖的微调框架和提示策略，SAM在多种医学图像任务中超越了现有技术，展现出强大的泛化能力。

随着计算机视觉技术的发展，图像分割在各个领域有重要应用。字节跳动发布了全景图像分割数据集「COCONut」，HyperAI超神经汇总了10个优质的图像分割数据集。

深度学习模型在大量数据训练下成为有效的预测方法，但研究发现基于自然图像训练的模型在磁共振成像分割任务上效果不佳，可能也不适用于其他成像模态。