该论文提出了仅需单张标注模板图像的医学图像分割框架SemiSAM-O1，以解决现有基础模型驱动的半监督学习方法在复杂成像模态下性能不稳健的问题。
本文构建了包含多中心、多序列胰腺MRI数据集的CrossPan基准，系统揭示了跨序列域偏移对分割模型泛化能力的影响。
本文针对腹部CT影像中的模拟域偏移，系统评估了基础分割模型SAM在脾脏分割任务上的切片级鲁棒性，为健康数字孪生的部署提供了量化参考。
本文提出了一种可扩展的文本引导3D医学图像分割框架ESICA，以解决现有方法计算成本高、文本与体素特征对齐弱及难以捕捉解剖细节的问题。
DiffuSAM提出了一种基于扩散模型的SAM2适配框架，通过轻量化模块合成掩码类嵌入，实现了无需提示词的少样本与无源域医学图像分割。
本文提出DiGSeg框架，利用扩散模型的去噪轨迹中蕴含的空间对齐视觉先验来实现文本条件的语义与开放词汇分割，并将其泛化为通用分割方法。
本文提出了一种显著性引导的提示蒸馏方法，通过从噪声提示中学习，提升了SAM模型在真实临床工作流中面对粗略和模糊标注时的分割鲁棒性。
本文提出了一种基于流匹配的医学图像分割框架MedFlowSeg，通过引入频率感知注意力机制来处理医学图像中的复杂解剖变异。该方法摆脱了现有扩散模型对随机过程的依赖，避免了迭代采样带来的高计算开销。
RF-HiT提出了一种结合沙漏Transformer骨干网络与多尺度层次编码器的矫正流层次Transformer，以解决现有医学图像分割方法中计算复杂度高与推理延迟大的问题。
本文将实例敏感损失函数通过一对一剩余策略扩展至多类别语义分割，揭示了其在解决实例不平衡的同时，也会加剧稀有类别训练信号不足的类别不平衡问题。
本文提出PanGuide3D架构，通过概率性胰腺条件化与Transformer瓶颈机制，提升了对比增强CT中胰腺肿瘤分割的跨队列泛化能力。
该论文提出了EDU-Net网络，通过多尺度特征融合与边界优化机制，解决了OCT图像中视网膜病理积液形态多变及噪声导致边界模糊的问题，实现了对视网膜内积液和视网膜下积液的自动分割。