本研究提出了一种新型卷积神经网络USAM-Net，通过结合立体图像和语义分割图，提升自动驾驶和增强现实中的深度估计精度。实验结果表明，USAM-Net在多个指标上优于传统模型，显示出其在高精度深度数据需求中的潜力。

本研究探讨了交互式分割算法Segment Anything Model（SAM）在乳腺超声影像中对肿瘤分割的有效性，ViT_l模型表现优异。研究分析了肿瘤特征对分割性能的影响，并提出了新型医疗癌症病变分割模型U-SAM，显示出在多个数据集上的优越性，为未来研究提供了基线。

本研究介绍了一个新的大规模直肠癌CT图像数据集CARE和一种名为U-SAM的医疗癌症病变分割基准模型。U-SAM通过即时信息处理解决腹部器官结构复杂性挑战，并在CARE和WORD数据集上优于现有方法。该研究为未来研究和临床应用提供基线。

本研究介绍了一个新的大规模直肠癌CT图像数据集CARE和一种名为U-SAM的医疗癌症病变分割基准模型。U-SAM通过即时信息处理解决腹部器官结构复杂性挑战，并在CARE和WORD数据集上优于现有方法。该研究为未来研究和临床应用提供了基线。