医学图像分割作为临床诊断与治疗规划的核心支撑，近年研究正迎来集中爆发！

当前领域焦点直指核心痛点：半监督学习成为主流，GapMatch、SKCDF 等创新框架通过双扰动融合、数据流解耦，攻克少标注数据下的精度难题，小器官分割精度显著提升。Mamba 与 Transformer 的混合架构走红，在腹部超声等场景实现效率与精准度双突破， inference 时间压缩至 0.12秒级。

同时，针对类别不平衡、边界模糊等问题，层次化形态学习、双层稀疏注意力等方法持续优化，3D 图像分割中位置信息也被挖掘为强监督信号。从息肉分割到脑肿瘤检测，这些顶会顶刊成果正加速临床落地。

1.MSM-Seg: A Modality-and-Slice Memory Framework with Category-Agnostic Prompting for Multi-Modal Brain Tumor Segmentation

【要点】论文旨在解决多模态脑肿瘤分割中，现有方法忽视跨模态相关性，依赖劳动密集型的类别特定提示，限制了其在实际场景中的应用。

【方法】论文提出了一种名为MSM-Seg的多模态脑肿瘤分割框架，该框架引入了一种新颖的双重记忆分割范式，协同整合多模态和跨切片信息，并使用高效的类别无关提示来理解脑肿瘤。

【实验】在不同的MRI数据集上进行的广泛实验表明，MSM-Seg框架在多模态转移瘤和胶质瘤肿瘤分割方面优于现有方法。

2.U-Bench: A Comprehensive Understanding of U-Net through 100-Variant Benchmarking

【要点】U-Net及其变体在医学图像分割中广泛应用，但缺乏一个全面、系统性的基准来评估其性能和实用性。

【方法】提出U-Bench，一个大规模、统计严格的基准，评估100种U-Net变体在28个数据集和10种成像模态上的表现，包括统计鲁棒性、零样本泛化能力和计算效率。

【实验】U-Bench不仅揭示了先前评估中的不足，还为U-Net分割模型在下一个十年的公平、可重复和实际相关的基准测试奠定了基础。通过大规模评估，提出了U-Score指标，用于捕捉性能与效率之间的权衡，并提供了面向部署的视角。此外，还提出了一个模型顾问代理，以指导研究人员选择最适合特定数据集和任务的模型。所有代码、模型、协议和权重均公开提供，以促进社区的复现和未来方法的扩展。

3.Efficient Universal Models for Medical Image Segmentation via Weakly Supervised In-Context Learning

【要点】本文提出了弱监督上下文学习（WS-ICL）方法，通过利用弱提示（如边界框或点）而非密集标签进行医疗图像分割，实现了降低标注成本同时保持与传统密集标注方法相当的性能。

【方法】研究采用了弱监督上下文学习框架，通过将弱提示（例如边界框或点）与上下文信息相结合，减少了对精细标注的需求。

【实验】作者在三个保留的基准数据集上评估了WS-ICL模型，结果显示WS-ICL在标注成本大幅降低的情况下，性能与传统ICL模型相当，同时在交互式范式下也表现出高度竞争力。

4.Shaken or Stirred? An Analysis of MetaFormer’s Token Mixing for Medical Imaging

【要点】论文旨在解决Transformer架构在医学图像处理中的应用不足，以及现有研究中对不同token mixer比较不足的问题。

【方法】论文对MetaFormer架构中的token mixer进行了系统分析，包括pooling、convolution和attention-based的token mixer，并在医学图像分类和语义分割任务上进行了实验。

【实验】实验结果表明，对于分类任务，低复杂度的token mixer（如分组卷积或pooling）是足够的；对于分割任务，卷积token mixer的局部归纳偏置是至关重要的，分组卷积成为首选，因为它在减少运行时间和参数数量的同时，MetaFormer的通道MLP已经提供了必要的跨通道交互。