本研究提出了一种结合解剖知识与nnUNet模型的方法，以提高PET/CT成像中的病灶分割准确性。在FDG和PSMA数据集上的验证结果显示，该方法的Dice分数分别为76.90%和61.33%。

对 UNet、Res-UNet、Attention Res-UNet 和 nnUNet 等深度学习模型进行比较分析，并评估它们在脑肿瘤、息肉和多类心脏分割任务中的性能。研究重点关注精确度、准确度、召回率、Dice 相似系数 (DSC) 和 IoU 系数，以评估它们在临床应用中的适用性。nnUNet 在多个领域表现出优异的表现，特别是在脑肿瘤分割和心肌分割方面，被证明是最有效的模型。

该文介绍了一种名为MA-SAM的医学图像分割方法，使用了3D适配器注入2D主干，从而提取第三维信息。在10个公共数据集上评估，结果表明该方法始终优于其他三维方法。在肿瘤分割任务中表现出色。