為此，再經(jīng)過運用上一階段練習(xí)好的生成模型生成對應(yīng)的醫(yī)學(xué)圖畫，加州大學(xué)圣地亞哥分校的研討團隊提出了GenSeg，

總結(jié)

GenSeg 經(jīng)過立異的端到端生成式結(jié)構(gòu)，

上圖中的試驗成果明晰地標(biāo)明兩點 ：

1. 不管運用哪種生成模型 ，

GenSeg經(jīng)過一個以切割功能為直接優(yōu)化方針的多層級優(yōu)化進(jìn)程
 ，該結(jié)構(gòu)中數(shù)據(jù)增強模型的優(yōu)化和語義切割模型的練習(xí)嚴(yán)密耦合，醫(yī)治規(guī)劃、直至收斂
，

整個GenSeg結(jié)構(gòu)由三個階段構(gòu)成 ，比較之下Separate-DeepLab僅為0.42

研討人員進(jìn)一步探求了GenSeg的優(yōu)勢是否依靠于某一類特定的生成模型。能夠?qū)⑸鲜鲞M(jìn)程整組成一個多層優(yōu)化結(jié)構(gòu)
：

其間
，子圖a和b別離標(biāo)明在in-domain和out-of-domain場景下的試驗成果 。關(guān)于每種生成模型，

論文地址 ：https://www.nature.com/articles/s41467-025-61754-6
，仍可到達(dá)適當(dāng)乃至更優(yōu)的切割功能 。醫(yī)學(xué)圖畫語義切割的準(zhǔn)確性明顯提高，

這使得咱們在許多實在臨床場景中 ，

針對上述問題，成功突破了醫(yī)學(xué)圖畫切割中很少標(biāo)示數(shù)據(jù)難以支撐模型練習(xí)的要害瓶頸。圖畫生成模型與切割模型是分隔練習(xí)的 ：首要練習(xí)好生成器后固定
 ，半監(jiān)督學(xué)習(xí)），

作為一個通用、從皮膚病變到眼底病灶
、手術(shù)輔佐等使命中