此项目推出了名为Generic Autodidactic Models的预训练模型，专为3D医学影像应用设计，特别适合标注数据有限的情况。这一模型通过自监督学习实现自我训练，无需人工标注，并能生成各种应用场景的目标模型。Models Genesis性能显著优于从零开始训练的3D模型，甚至超过了包括ImageNet模型在内的2D方法，尤其在分割肝脏、肿瘤和海马体方面表现卓越。

Awesome_Mamba项目汇集了Mamba状态空间模型在多个领域的应用资源，包括医学图像分析、远程感应、语音和视频处理等。该项目提供最新研究论文和GitHub代码仓库链接，涵盖架构重设计、创新应用等内容。项目持续更新，为研究人员和开发者提供Mamba模型在各领域最新进展的综合参考。

Prov-GigaPath是一个基于真实世界数据开发的数字病理学全切片基础模型。它包含切片编码器和幻灯片编码器,支持切片级和幻灯片级任务。该模型已在Nature发表,并开源了预训练模型、代码和演示笔记本。研究人员可利用它探索数字病理学幻灯片数据的预训练和编码。该项目仅供研究使用,不适用于临床诊断。

本项目整理了Transformer模型在医学图像分析中的最新研究进展。内容涵盖图像分类、分割、重建、合成等多个领域,系统地归纳和分类了相关论文。项目提供了医学图像分析中Transformer应用的分类体系,详细的参考文献,以及开源代码库链接,为研究人员提供了全面的学习和实践资源。

本项目汇总了Transformer在医学影像分析领域的最新研究成果,包括图像分割、分类、重建等多个任务。资源库按时间顺序整理相关论文和开源实现,为研究人员提供全面参考。内容定期更新,旨在促进Transformer在医学影像分析中的应用与发展。