Tag · 18 篇
医学图像分割
VesMamba：基于结构感知与尺度感知滤波的 Mamba 三维肺血管 CT 图像分割
VesMamba: 3D Pulmonary Vessel Segmentation from CT images via Mamba with Structural Perception and Scale-aware Filtering
将 Mamba 状态空间模型与动态空间注意力卷积结合，用于捕捉管状/树状结构的长程拓扑依赖，可迁移到视网膜血管、气道、神经纤维等细长结构分割任务；其尺度感知滤波与掩码约束解码器思路也可用于多尺度密集预测。
Tell2Adapt：基于视觉基础模型的无源无监督域自适应统一框架
Tell2Adapt: A Unified Framework for Source Free Unsupervised Domain Adaptation via Vision Foundation Model
利用视觉基础模型（VFM）的上下文感知提示正则化生成高质量伪标签，并通过视觉合理性精炼将预测重新锚定到目标图像的低层特征，为无源域自适应分割提供可复用的两阶段框架。
TanGo：面向医学图像泛化的分布级基础先验一致性与实例级风格校准学习
TANGO: Learning Distribution-wise Foundation Prior Consistency and Instance-wise Style Calibration for Medical Image Generalization
把冻结的视觉基础模型编码器中的低频稳定表征作为分布级先验来约束源模型的特征分布，并用可学习的数据装饰器把测试图像拉回增强后的源域分布——这套「基础模型先验 + 实例级风格校准」的组合可直接迁移到其他面临域偏移的密集预测任务（如跨中心分割、跨域检测）。
Simple-ViLMedSAM：简单文本提示结合视觉语言模型用于医学图像分割
Simple-ViLMedSAM: Simple Text Prompts Meet Vision-Language Models for Medical Image Segmentation
用 CLIP 文本嵌入隐式生成位置先验图来替代 SAM 的几何提示，并通过双向交叉注意力把该先验与 SAM 像素特征对齐，这一「文本→位置图→分割」的提示替代思路可直接迁移到其他需要免手工提示的开放词表分割任务。
SPEGC：通过语义提示增强图聚类实现医学图像分割的持续测试时自适应
SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation
针对医学图像分割中的持续测试时自适应，提出语义提示增强与可微图聚类求解器，将全局边稀疏化建模为最优传输问题，为无监督域适应提供更可靠的伪标签结构引导，可复用于其他密集预测任务的测试时自适应。
SHAPE：结构感知的分层无监督域自适应与合理性评估用于医学图像分割
SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation
针对医学分割中的无监督域自适应，提出用超图评估伪标签的全局解剖合理性，并配合跨视角稳定性剪枝异常，这种基于结构先验的伪标签验证思路可迁移到其他需要可靠伪标签的视觉任务。
重新审视框监督：无偏的弱监督医学图像分割
Rethinking Box Supervision: Bias-Free Weakly Supervised Medical Segmentation
把边界框监督中的框形偏置显式建模为「掩码→框」对齐变换，并配合多尺度一致性自监督，这套训练期即插即用模块可直接迁移到任何只有框标注的密集预测任务（如病灶分割、伪装目标分割），且推理零开销。
R2-Seg：通过解剖推理与统计拒绝实现免训练的分布外医学肿瘤分割
R2-Seg: Training-Free OOD Medical Tumor Segmentation via Anatomical Reasoning and Statistical Rejection
把「LLM 解剖推理定位器官锚点 + 冻结基础模型出候选 + 双样本统计检验剔除」这套免训练流程当作通用后处理范式，可直接套到任何分割基础模型上抑制 OOD 假阳性，且与测试时增强天然兼容。
PMRNet：面向医学图像分割的物理信息多尺度细化网络
PMRNet: Physics-informed Multi-scale Refinement Network for Medical Image Segmentation
用熵驱动的扩散机制以线性复杂度逼近全局感受野，并用重正化群式下采样保留信息，这套「伪全局感受野 + 边界感知解码」的组合可直接迁移到其他需要低算力密集预测的视觉任务。
面向可泛化医学图像分割的多模态因果驱动表征学习
Multimodal Causality-Driven Representation Learning for Generalizable Medical Image Segmentation
把因果干预引入 CLIP 式视觉语言模型：用文本提示构建「混淆因子字典」来显式建模设备/成像模式等域偏移，再做因果去混淆，这套「字典+干预」思路可迁移到任何需要跨域泛化的分割或检测任务。
保持冻结：面向多域视觉 Transformer 的域路由条件残差调制
Keep It Frozen: Domain-Routed Conditional Residual Modulation for Multi-Domain Vision Transformers
提出一种冻结骨干网络、通过域路由和参数合成网络动态生成低秩残差调制块的方法，为视觉 Transformer 在多域（医学+自然）场景下提供参数高效的自适应方案，可复用于需要跨域泛化且计算开销敏感的任务。
GeoSemba：为医学图像分割重构跨范式表征的状态空间模型
GeoSemba: Reconstructing State Space Model for Cross Paradigm Representation in Medical Image Segmentation
把 Mamba 状态空间扫描从单一序列建模扩展为「几何-语义跨层交互 + 空间-通道跨维亲和」的双重精炼，对做医学分割或想把线性复杂度 SSM 用到密集预测的人，SSR 的几何条件区域传播与 CAR 的由粗到细亲和筛选都是可直接迁移的模块设计。
从注入到同化的蒸馏用于医学图像分割
From Infusion to Assimilation Distillation for Medical Image Segmentation
把知识蒸馏拆成「注入+同化」两阶段：先用类加权原型对齐软标签蒸馏对齐师生预测分布，再用对比式语义自优化对编码器特征施加反向约束，可作为在算力受限场景下压缩 SAM 类基础模型到轻量分割网络的通用蒸馏范式。
聚焦背景：以背景为中心的提示词探索 SAM 在少样本医学图像分割中的潜力
Focus on Background: Exploring SAM's Potential in Few-shot Medical Image Segmentation with Background-centric Prompting
把 SAM 的少样本分割重新表述为「提示词定位」任务，用类别无关的背景提示约束 SAM 的过分割；这一思路可迁移到任何需要抑制 SAM 过度分割的开放词表/少样本分割场景。
基于扩散的原生对抗合成以增强医学分割泛化
Diffusion-Based Native Adversarial Synthesis for Enhanced Medical Segmentation Generalization
把扩散模型的初始噪声当作可优化变量来挖掘「原生对抗样本」，无需重训或改动扩散模型即可生成难例做数据增强；做医学分割或任何小样本分割任务时，这是一个可直接套用的合成增强插件。
CG-Reasoner：质心引导的位置推理分割用于医学影像及一个鲁棒的视觉-文本一致性指标
CG-Reasoner: Centroid-Guided Positional Reasoning Segmentation for Medical Imaging with a Robust Visual-Text Consistency Metric
将多模态大语言模型的推理能力与轻量级分割网络结合，通过Text2Centroid模块从推理嵌入预测病灶质心，为医学图像分割提供可解释的位置推理；提出的PRScore指标可评估生成文本与分割掩码的空间语义对齐，可复用于其他视觉-语言分割任务。
BackSplit：细分背景在生物医学病灶分割中的重要性
BackSplit: The Importance of Sub-dividing the Background in Biomedical Lesion Segmentation
将二分类分割中的背景细分为多个解剖结构类别，利用现有分割模型自动生成辅助标签，在不增加推理成本的情况下提升小病灶分割性能，可推广到其他密集预测任务。
AD-GBC：用于基于UNet的医学图像分割的各向异性粒球跳跃连接细化器
AD-GBC: Anisotropic Granular-Ball Skip-Connection Refiner for UNet-Based Medical Image Segmentation
AD-GBC 将原型推广为可学习的各向异性几何区域，并以全可微分方式聚合与重分配特征，为 UNet 类分割网络提供了一种即插即用的几何感知细化模块；其 Wasserstein 多样性损失和尺度一致性损失可防止中心坍缩，这种区域级表示思路可迁移到其他密集预测任务。