医学图像分割是医生分析器官或身体部位扫描图像的关键步骤，通过为图像各部分分配解剖标签，如大脑皮层、脑干等，以指导诊断、手术规划及研究。传统上，这一过程依赖临床医生手动完成，耗时费力。近年来，U-Nets作为一种专为医学图像分割设计的AI架构逐渐成为主流，但其对大型或3D图像的数据和资源需求较高，成本不菲。

面对这一挑战，莱斯大学电气和计算机工程博士生Kushal Vyas及其团队提出了MetaSeg这一全新的医学图像分割方法。在2D和3D脑磁共振成像(MRI)数据的实验中，MetaSeg展现了与U-Nets相当的分割性能，但所需参数大幅减少了90%。Vyas指出：“MetaSeg没有沿用U-Nets的路径，而是采用了隐式神经表征(INR)——一种此前未被用于图像分割的神经网络框架。”INR将医学图像转化为数学公式，精准解释每个像素或体素的信号值。尽管INR具有高度特异性，通常仅适用于训练的单个信号/图像，但MetaSeg通过元学习策略，使INR能够快速适应新图像，解码标签并预测解剖区域轮廓。

莱斯大学电气与计算机工程助理教授Guha Balakrishnan表示：“MetaSeg为医学图像分割领域带来了全新且可扩展的视角，这一领域十年来一直由U-Nets主导。”该研究成果不仅有望在保持最佳性能的同时降低医学图像分割的成本，还展现了AI在医疗健康领域的巨大潜力。作为通讯作者，Balakrishnan是莱斯大学数字健康创新前沿研究人员生态系统的一员，该系统涵盖数字健康计划及联合数字健康研究所。

更多信息： Kushal Vyas 等人，《Fit Pixels, Get Labels: Meta-learned Implicit Networks for Image Segmentation》，《计算机科学讲义》(2025)。