本文介绍了一种新型医学图像分割模型PromptUNet，该模型结合了基于提示的分割和UNet，显著提升了分割精度。通过引入多种提示类型，PromptUNet在医学图像分割任务中优于现有主流方法。此外，研究探讨了交互式提示和自适应提示优化框架TEPO，进一步增强了模型性能。

本文研究了使用SAM零-shot能力增强医学图像分割的潜力，并提出了自适应提示形式优化框架TEPO来解决SAM脆弱性问题，并通过强化学习进一步提高SAM在MIS上的零-shot能力。实验表明，学习到的TEPO代理可以增强SAM在MIS上的零-shot能力。

本文研究了使用SAM零-shot能力增强医学图像分割的潜力，并提出了一种自适应提示形式优化框架TEPO来解决SAM脆弱性问题，并通过强化学习进一步提高SAM在MIS上的零-shot能力。实验表明，学习到的TEPO代理可以进一步增强SAM在MIS上的零-shot能力。