两篇新研究论文探讨了医学图像语义分割的进展。第一篇论文研究了使用带有有限标注的低倍率组织病理图像进行分割的效率，发现仅重建质量并不能预测性能，并确定了一个关键的分辨率下降点。第二篇论文介绍了一种新颖的“背景融合原型”（Bro）方法，用于医学图像中的少样本语义分割，该方法通过更好地表示背景来增强现有模型，而背景是医学扫描中常与前景特征共享的关键元素。 AI
影响 这些研究为提高医学图像分析的准确性和效率提供了新技术，可能有助于诊断和研究。
排序理由 两篇在arXiv上发表的学术论文，详细介绍了医学领域图像分割的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.10783v1 Announce Type: cross Abstract: Whole-slide images (WSIs) provide rich tissue-level and cellular-level information, but storing and transmitting high-magnification pathology data is resource-intensive. Moreover, annotating WSIs at the pixel level is labor-intens…
arXiv:2412.02983v2 Announce Type: replace Abstract: Few-shot Semantic Segmentation (FSS) aims to adapt a pre-trained model to new classes with as few as a single labeled training sample per class. The existing prototypical work used in natural image scenarios biasedly focus on ca…