医学图像分割，是医疗AI里最核心的方向之一。它的任务很简单：让模型从 CT、MRI、超声、病理图像中，准确找出器官、肿瘤和病灶的边界。看起来只是“圈出来”，但它直接关系到疾病诊断、定量分析、手术规划和疗效评估。
近两年，随着基础模型、多模态学习和低资源部署的发展，医学图像分割正在从单点算法优化，走向更通用、更贴近临床应用的新阶段。本文精选 15 篇代表性工作，带你快速把握这一方向的关键脉络与最新趋势。

1.Modality-projection universal model for comprehensive full-body medical imaging segmentation

【创新点】

① 提出modality-projection策略，从共享高维潜空间动态投影出模态特异表示；

② 做的是全身级、多模态通用分割，而不是单模态单任务；

③ 还加入controller-based convolution做可解释可视化，并直接服务 CAD/脑体代谢分析。

【方法】MPUM采用了一种创新的模态投影策略，使模型能够动态调整参数以适应不同的成像模态，并使用了一种独特的控制器基础卷积层来提高分割性能和解释性。

【实验】研究者在多个数据集上评估了MPUM的性能，具体数据集名称未在摘要中提及，但结果显示MPUM在识别解剖结构和量化方面具有优越的准确性，并能够揭示脑-身体轴内的代谢相关性。

2.Closed loop text guided framework for lung cancer lesion segmentation and quantification

【创新点】

① 把文本条件定位 + 框提示分割 + 几何量化做成闭环；

② 明确让分割输出对齐放射科语义描述与报告流程，而不只是像素级 mask；

③ 用 Grounding DINO + SEEM 把文本语义落到病灶级分割与量化上。

【方法】 提出了一种名为BiomedLoop的文本引导框架，该框架结合语义描述和空间量化，以模拟常规诊断实践。通过结合精调的Grounding DINO进行定位和SEEM进行细化，并引入不确定性感知特征调制器来确保边界敏感的表示。

【实验】 在五个公开基准数据集上的广泛实验表明，BiomedLoop相较于传统CNN架构和Segment Anything Model变体，实现了更高的Dice相似系数和一致的更低Hausdorff距离。这些结果表明，系统性地进行语义空间联合建模成功弥合了传统分割与临床应用之间的关键差距。

3.DARE-FUSE: domain aligned evidence guided learning for joint brain tumor MRI segmentation and classification

【创新点】

① 把像素级分割和图像级分类放进同一个统一框架；

② 用双编码器 + feature-interaction bridge + Domain Alignment Refiner做任务对齐；

③ 把不确定性图与连续先验显式纳入推理，兼顾可解释性与弱标注场景。

【方法】提出了一种名为DARE-FUSE（域对齐表示与证据引导的FUSE）的统一框架，该框架在样本和标签有限的情况下，通过双重编码器学习共享嵌入，并使用域对齐细化器将其映射到任务对齐的表示，以实现像素级分割和图像级分类。

【实验】DARE-FUSE在BraTS分割基准和多个分类数据集上实现了稳定、领先的性能；消融和标签减少实验证实了互补增益和随着像素标注减少的平滑退化。生成的不确定性图和连续先验支持了手术、放疗轮廓描绘、分类和纵向随访中的可解释决策辅助。

4.CFG-MambaNet: Contextual and Frequency-Guided Mamba Network for medical image segmentation

【创新点】

① 用variable-scale Mamba block做线性复杂度的长程依赖建模；

② 用频域引导表示模块显式拆分低频全局结构与高频边界细节；

③ 目标非常明确地瞄准模糊边界、弱纹理和噪声环境下的稳健分割。

【方法】 提出了一种名为CFG-MambaNet的新框架，采用基于Mamba的可变尺度状态空间块以线性复杂度捕捉长距离依赖，并引入频率引导表示模块和自适应上下文聚合机制，以及结合深度监督的复合损失函数。

【实验】 在ACDC、Kvasir-SEG、ISIC和SEED四个公开数据集上进行了广泛实验，涵盖了心脏MRI、内窥镜、皮肤镜和病理图像，结果表明该方法在多种解剖尺度和解剖形态上显著提高了分割的鲁棒性。