基於 MRI 引導放射治療的頭頸部腫瘤分割：nnUNet 與 MedNeXt 的比較分析
本文比較了 nnUNet 和 MedNeXt 兩種深度學習模型在頭頸部腫瘤 MRI 影像分割中的效能，探討了不同模型架構、集成策略和外部數據預訓練的影響，最終證明了基於深度學習的自動分割方法在 MRI 引導放射治療中的潛力。
透過自動病灶分割技術 Deep DuS-KFCM 提升胃出血診斷的精準度
本研究提出了一種名為 Deep DuS-KFCM 的新型深度學習模型，用於自動分割內視鏡影像中的胃出血病灶，以提高診斷的精準度。
基於深度學習和擴散模型增強醫學影像分割的邊界資訊強化方法
本文提出了一種名為 BIEDSNet 的新型醫學影像分割網路，旨在解決醫學影像中目標區域邊界模糊和與周圍組織對比度低的問題，通過結合邊界特徵融合模組和注意力機制增強擴散模型，實現更精確的醫學影像分割。
基於輪廓的概率模型引導醫學超聲圖像分割：CP-UNet
針對超聲圖像中病灶輪廓模糊的問題，本文提出了一種基於輪廓概率模型的醫學超聲圖像分割網絡 CP-UNet，通過多組通道移位下採樣模塊和輪廓概率建模模塊，增強網絡對輪廓的表示能力，從而提高分割精度。
基於強度-空間雙重遮罩自編碼器的胸部電腦斷層掃描多尺度特徵學習與分割方法
本文提出了一種名為強度-空間雙重遮罩自編碼器 (ISD-MAE) 的新型自監督學習方法，用於胸部電腦斷層掃描影像的分割，透過結合強度和空間遮罩策略以及對比學習，有效提升了模型在多種二維和三維資料集上的分割效能。
互動式醫學影像分割：基準資料集與基準模型
本文介紹了一個名為 IMed-361M 的大型互動式醫學影像分割基準資料集，以及一個基於此資料集訓練的基準模型 IMIS-Net，旨在促進互動式醫學影像分割技術的發展和評估。
S3TU-Net：結合結構化卷積和超像素 Transformer 的肺結節分割模型
S3TU-Net 是一種結合 CNN 和 Transformer 優勢的新型肺結節分割模型，透過結構化卷積、超像素 Transformer 和多維空間連接器，實現了優於現有方法的分割性能和泛化能力。
KAN-Mamba FusionNet：透過非線性建模重新定義醫學影像分割
KAN-Mamba FusionNet 是一種用於醫學影像分割的新型神經網路架構，透過結合 Kolmogorov-Arnold Networks (KAN) 和 Mamba 層以及激活函數包 (BoA)，在不顯著增加計算成本的情況下提高了分割的準確性和穩健性。
MIST：一個簡單且可擴展的端到端 3D 醫學影像分割框架
MIST 是一個簡單、模組化和端到端的醫學影像分割框架，旨在促進基於深度學習的醫學影像分割方法的一致訓練、測試和評估，解決了該領域缺乏標準化工具的問題。
基於擴散模型的腰椎 MRI 掃描語義分割，用於下背痛患者
本研究提出了一種基於擴散模型的框架 SpineSegDiff，用於對下背痛患者的腰椎 MRI 掃描進行穩健且準確的分割，特別強調了椎間盤的分割，並探討了不同退化性病變對分割準確性的影響。
