醫學影像處理，尤其是分割，它不是值不值的問題，它真的是那種，那種CV領域一直堅挺的研究大熱門…
來從業界落地（找工作）角度看，其實現在很多專案都是以分割為主，比如自然影像，各種分割層出不窮，市場需求肯定是大大的。
從學術角度說，醫學影像分割每年在頂會頂刊的佔比都很顯著，戰績可查，成果多那好處自然也多了，各種學習資料豐富，很多熱門github專案都有人一直維護，入門方便，發論文也是比較容易。
所以如果感興趣，為啥不可以學？我還準備了135篇醫學影像前沿論文，幫各位快速瞭解技術進展，包含當下熱點多模態醫學影像分割，另附一些創新點推薦。當然，醫學缺資料集我懂，所以也準備了90多個醫學影像資料集（各個部位基本都有），無償分享~
掃碼新增小享，回覆“50分割”
免費獲取全部論文+原始碼+資料集
多模態醫學影像分割
Deep evidential fusion with uncertainty quantification and reliability learning for multimodal medical image segmentation
方法：論文提出了一種多模態醫學影像分割方法，透過深度神經網路提取特徵並轉化為證據理論中的質量函式，再利用上下文折扣和Dempster組合規則對不同模態的證據進行融合，從而提高分割精度並量化不確定性。
創新點:
-
提出了一種新的深度證據融合架構，結合特徵提取、證據對映和多模態證據融合模組，用於多模態醫學影像分割。 -
引入上下文折扣操作來校正證據，量化每種模態在不同情境下的可靠性，從而更準確地融合資訊。 -
設計了一個兩部分損失函式，同時最佳化單模態和融合後的分割效能，提升整體分割質量和可靠性。
Mulmodseg: Enhancing unpaired multi-modal medical image segmentation with modality-conditioned text embedding and alternating training
方法：MulModSeg是一種多模態醫學影像分割方法，透過結合文字資訊和交替訓練策略，提升了CT和MR影像的分割精度。它利用文字增強模型對不同模態的感知能力，並整合未配對資料，從而在多器官和心臟亞結構分割任務中優於現有方法。
創新點：
-
引入模態條件文字嵌入，透過凍結的文字編碼器為分割模型新增模態感知能力，無需對架構進行重大修改。 -
提出交替訓練策略，平衡地整合未配對的CT和MR資料，提升模型對多模態資料的泛化能力。 -
在多種基準方法和任務上驗證了該方法的有效性，顯著提升了腹部多器官和心臟亞結構分割的精度。
掃碼新增小享，回覆“50分割”
免費獲取全部論文+原始碼+資料集
SAM+醫學影像分割
Self-Prompt SAM: Medical Image Segmentation via Automatic Prompt SAM Adaptation
方法：Self-Prompt-SAM是一個用於醫學影像分割的框架，它透過自動生成提示來適應預訓練的SAM模型，並透過3D深度融合介面卡使其能夠處理3D醫學影像，從而在多個數據集上實現了優異的分割效能。
創新點：
-
提出了一種自動提示生成器，能夠自動生成邊界框和點提示，解決了SAM在醫學影像分割中需要額外提示的問題。 -
設計了3D深度融合介面卡，使預訓練的2D SAM模型能夠適應3D醫學影像分割任務。 -
透過在多個醫學影像分割資料集上的實驗驗證了該方法的有效性，實現了優於現有方法的效能。
KAN+醫學影像分割
U-KAN Makes Strong Backbone for Medical Image Segmentation and Generation
方法：論文提出了一種名為U-KAN的新型醫學影像分割框架，透過將KAN與經典的U-Net架構相結合，顯著提升了分割效能。U-KAN透過引入KAN層來增強模型的非線性建模能力和可解釋性，同時保持了U-Net的高效性和準確性。
創新點：
-
將Kolmogorov-Arnold Networks（KAN）整合到U-Net架構中，提升非線性建模能力。 -
在U-Net中引入KAN層，增強模型的可解釋性和分割精度。 -
驗證了U-KAN在醫學影像分割和擴散模型中的有效性，展現出優異的分割和生成效能。
掃碼新增小享，回覆“50分割”
免費獲取全部論文+原始碼+資料集