UniSeg是一个基于提示驱动的通用分割模型，可对多模态、多领域的3D医学图像进行多器官、肿瘤和椎骨分割。作为强大的分割模型和特征学习器，UniSeg提供完整代码实现、预训练模型及详细使用说明。项目涵盖数据准备、预处理、训练和测试等步骤。在MICCAI SegRap 2023比赛中，UniSeg在两项任务中均获得第二名，展现了其在医学图像分割领域的出色表现。

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。