本研究提出了一种知识挖掘策略，利用大型视觉模型SAM的知识来提升医学图像分割中小型深度学习模型的性能。通过将SAM在未标注图像上的输出转化为“伪标签”，显著改善了U-Net++模型在有限标注数据上的训练效果，验证了知识挖掘的应用价值。

本文提出了一种针对医学图像分割的深度学习方法，相对于U-Net和U-Net++，在ResNet编码器上平均提高了12.26%和12.04%。研究了优化损失函数权重的重要性，并在三个医学图像分割任务上进行了基准测试。