当前位置：首页 > news >正文

医学图像分割2025年最新论文分享（含开源代码）

news 2026/6/11 6:50:17

目前，医学图像分割领域最核心的创新主要分为五大类：基础模型的演进、Transformer架构应用、多模态融合策略、边界精度优化、弱/半监督探索。

这其中，SAM+医学图像分割属于基础模型演进和弱监督探索的交叉应用，并且是当前最火热的研究方向之一，属于论文产出的热点区域。

本文梳理了医学图像分割领域近期的成果，挑选出了31篇高质量前沿论文，基本都是顶会顶刊，附开源代码，SAM+这块更是单独做了区分，方便想在这方向发文的同学研读。

全部论文+开源代码需要的同学看文末

A Semantic Knowledge Complementarity based Decoupling Framework for Semi-supervised Class-imbalanced Medical Image Segmentation

方法：论文针对半监督类别不平衡医学图像分割问题，提出一种基于语义知识互补的解耦框架（SKCDF），通过解耦数据流动、设计语义知识互补模块及辅助平衡分割头训练策略，充分利用标记与未标记数据的互补性，抑制未标记数据的负面影响，提升小器官分割性能。

创新点：

拆分数据流动，让编码器学习所有数据特征，解码器分别学习标记和未标记数据特征，减少未标记数据对医学图像分割的负面影响。
设计语义知识互补模块，用未标记数据丰富标记数据特征，同时靠标记数据引导未标记数据生成高质量伪标签。
提出辅助平衡分割头训练策略，通过捕获小器官特征，在不降低其他器官分割精度的情况下，提升小器官分割效果。

ConDSeg: A General Medical Image Segmentation Framework via Contrast-Driven Feature Enhancement

方法：论文提出通用医学图像分割框架 ConDSeg，通过一致性强化训练策略提升编码器鲁棒性、语义信息解耦模块区分前景/背景/不确定区域、对比驱动特征聚合模块引导特征融合、尺寸感知解码器定位不同大小实体，以解决医学图像软边界和共现现象带来的分割挑战。

创新点：

采用一致性强化训练策略，通过原始与增强图像的掩码一致性约束，提升编码器在恶劣环境下的特征提取鲁棒性。
设计语义信息解耦模块，将特征拆分为前景、背景和不确定区域，通过专属损失函数减少不确定性。
构建对比驱动特征聚合模块和尺寸感知解码器，前者引导多尺度特征融合，后者针对不同尺寸实体单独预测，避免共现特征干扰。

Semi-Supervised Multi-Modal Medical Image Segmentation for Complex Situations

方法：论文提出一种半监督多模态医学图像分割方法，通过多阶段多模态特征融合与模态感知增强策略减少模态间特征差异、强化有效信息，结合跨模态对比互学习约束预测一致性，在有限标记数据下提升复杂场景中肿瘤等目标的分割性能。

创新点：

提出多阶段多模态特征融合策略，在编码各阶段对齐融合不同模态的低层级视觉特征，减少模态间的特征差异。
设计模态感知增强模块，通过学习通道依赖关系动态调整各模态权重，强化关键特征、抑制冗余信息。
引入多模态对比互学习机制，通过监督损失和无监督一致性损失约束跨模态预测一致性，提升分割结果的鲁棒性。

Show and Segment: Universal Medical Image Segmentation via In-Context Learning

方法：论文提出 Iris 框架，通过上下文学习，借助轻量级任务编码模块从参考图像 - 标签对中提取任务特定信息生成紧凑任务嵌入，结合掩码解码模块引导目标图像分割，支持单样本推理、上下文集成等多种灵活推理策略，无需微调即可实现 3D 医学图像在分布内任务、分布外数据及未见类别上的高效通用分割。

创新点：