#医学图像分割

SAM-Med2D是基于Segment Anything Model的医学图像分割模型,在包含4.6M图像和19.7M掩码的大规模数据集上进行微调。该项目涵盖10种医学数据模态、4种解剖结构和病变,以及31个主要人体器官。SAM-Med2D在多个测试集上表现优秀,尤其在点提示和边界框提示方面效果显著,为医学图像分割领域提供了新的解决方案。

U-KAN是一个将Kolmogorov-Arnold网络(KAN)层整合到U-Net结构中的医学图像处理框架。这种创新设计在提高图像分割和生成任务准确性的同时，降低了计算成本。U-KAN在多个医学图像数据集的分割任务中表现出色，并在图像生成领域展现潜力。这项研究为医学图像处理技术的进步提供了新思路，有望推动更精准、高效的诊断和分析工具的发展。

SAM4MIS项目综述了Segment Anything Model (SAM)和SAM2在医学图像分割领域的应用进展。该项目涵盖了从经验评估到方法改进的全面研究成果,为医学图像分割提供了最新见解。通过持续跟踪和汇总SAM相关研究,SAM4MIS为医学图像分析研究提供了重要参考,促进了该领域技术的创新。

med-seg-diff-pytorch是一个基于PyTorch的医学图像分割框架，采用扩散概率模型(DDPM)和特征级条件增强技术。该项目提供简易安装和使用方法，支持自定义数据集训练，并计划增加更多功能。它为医学图像分析领域提供了一个功能强大、使用灵活的开源工具。

SegVol是一个创新的通用交互式三维医学影像分割模型，支持点、框和文本提示输入。该模型在96,000个CT扫描数据集上训练，可分割超过200个解剖类别。SegVol开源了推理代码、训练代码、模型参数以及预训练的ViT参数。通过内部和外部验证，SegVol展现出优秀的分割性能，为医学影像分析提供了新的解决方案。

SAT是一个基于72个公共3D医学分割数据集构建的通用医学图像分割模型。它通过文本提示可分割MR、CT、PET三种模态和8个人体区域的497个类别。相比传统专家模型，SAT在效率和性能上都有所提升。项目开源了完整代码、预训练模型和数据集，为医学图像分析和AI研究提供了新的工具和资源。

MedSegDiff是一个创新的医学图像分割框架，基于扩散概率模型(DPM)。该方法通过添加高斯噪声并学习逆向去噪过程来实现分割。利用原始图像作为条件，MedSegDiff从随机噪声生成多个分割图，并进行集成获得最终结果。这种方法能够捕捉医学图像中的不确定性，在多个基准测试中表现优异。MedSegDiff支持多种医学图像分割任务，包括皮肤黑色素瘤和脑肿瘤分割等，并提供详细使用说明和示例。

SOTA-MedSeg项目汇总了医学图像分割领域的前沿挑战和顶级方法。涵盖头部、颈部、心脏和腹部等多个身体部位的分割任务,包括脑肿瘤、主动脉瘤和肾脏肿瘤等疾病。项目列出各大挑战赛的最佳方法及性能指标,提供相关论文和代码链接,是了解医学图像分割最新进展的综合资源。

SAMed是一种基于Segment Anything Model的医学图像分割方法，通过低秩适应微调策略优化SAM模型。在Synapse多器官分割数据集上，SAMed达到81.88 DSC和20.64 HD的性能。由于仅更新部分参数，SAMed具有低部署和存储成本的优势。研究团队还推出了性能更高的SAMed_h版本，为医学影像分析提供了新的解决方案。

LViT是一种创新的医学图像分割方法，融合了语言信息和视觉Transformer。该技术在QaTa-COV19、MosMedData+和MoNuSeg等多个数据集上展现出优异性能，大幅提升了分割精度。项目包含完整代码实现、数据准备指南、训练评估流程及详细实验结果。除常规任务外，LViT在结肠息肉和食管CT等特定领域分割中也表现出色。

Pytorch-Medical-Segmentation是一个开源医学图像分割框架，支持2D和3D多模态分析。该项目集成多种先进算法，兼容主流医学影像格式，提供灵活配置选项。内置训练推理流程和评估指标，便于研究人员和开发者快速实现各类医学图像分割任务。

UCTransNet是一种结合U-Net和Transformer优势的医学图像分割网络。它通过Channel Transformer模块替代U-Net的跳跃连接，从通道维度优化特征融合。该模型在GlaS和MoNuSeg等数据集上表现优异，为医学影像分析提供新思路。项目开源代码实现和预训练模型，并提供详细使用说明，方便研究者探索和应用。

变形大核注意力(D-LKA Attention)是一种新型医学图像分割方法。它通过大型卷积核高效处理图像数据，并使用可变形卷积适应不同数据模式。该方法有2D和3D两个版本，尤其是3D版本在处理跨层数据时表现优异。基于此技术开发的D-LKA Net架构在多个医学分割数据集上的表现超过了现有方法，展现了其在医学图像分析领域的潜力。

MT-UNet是一种结合Transformer和UNet优势的医学图像分割模型。该模型在Synapse和ACDC数据集上分别达到79.20%和91.61%的DSC评分。MT-UNet通过混合transformer结构实现多尺度特征融合，为医学图像分析提供新思路。项目开源代码和预训练权重，便于研究者复现结果和深入研究。