arXiv:2511.15603v1 Announce Type: new 
Abstract: Medical image segmentation typically adopts a point-wise convolutional segmentation head to predict dense labels, where each output channel is heuristically tied to a specific class. This rigid design limits both feature sharing and semantic generalization. In this work, we propose a unified decoupled segmentation head that separates multi-class prediction into class-agnostic mask prediction and class label prediction using shared object queries. Furthermore, we introduce a Full-Scale Aware Deformable Transformer module that enables low-resolution encoder features to attend across full-resolution encoder features via deformable attention, achieving memory-efficient and spatially aligned full-scale fusion. Our proposed method, named MaskMed, achieves state-of-the-art performance, surpassing nnUNet by +2.0% Dice on AMOS 2022 and +6.9% Dice on BTCV.

تقدم MaskMed نهجًا جديدًا لتقسيم الصور الطبية من خلال فصل توقعات القناع والفئة. تستخدم هذه الطريقة رأس تقسيم موحد يفصل بين توقعات القناع غير المعتمد على الفئة وتوقعات تسميات الفئة باستخدام استعلامات كائن مشتركة. علاوة على ذلك، نقدم وحدة تحويل قابلة للتشوه تدرك المقياس الكامل، مما يمكّن الميزات ذات الدقة المنخفضة من الانتباه عبر ميزات المرمز بدقة كاملة، مما يحقق دمجًا فعالًا من حيث الذاكرة ومتوافقًا مكانيًا. تتفوق MaskMed على النموذج الحالي nnUNet، محققة أداءً متفوقًا.

MaskMed presenta un enfoque novedoso para la segmentación de imágenes médicas al desacoplar las predicciones de máscaras y clases. Este método utiliza una cabeza de segmentación unificada que separa las predicciones de máscaras agnósticas de clase de las predicciones de etiquetas de clase mediante consultas de objeto compartidas. Además, introduce un módulo de transformador deformable consciente de la escala completa que mejora la eficiencia de memoria y la alineación espacial. MaskMed supera al modelo existente nnUNet, logrando mejores puntuaciones de Dice en los conjuntos de datos AMOS 2022 …

MaskMed propose une nouvelle approche pour la segmentation d'images médicales en dissociant les prédictions de masques et de classes. Cette méthode utilise une tête de segmentation unifiée qui sépare les prédictions de masques agnostiques de classe des prédictions d'étiquettes de classe via des requêtes d'objet partagées. De plus, elle intègre un module de transformateur déformable conscient de l'échelle complète qui améliore l'efficacité mémoire et l'alignement spatial. MaskMed surpasse le modèle existant nnUNet, atteignant de meilleurs scores de Dice sur les ensembles de données AMOS 2022 et…

MaskMed introduces a novel approach to medical image segmentation by decoupling mask and class predictions. This method utilizes a unified segmentation head that separates class-agnostic mask predictions from class label predictions through shared object queries. Additionally, it features a Full-Scale Aware Deformable Transformer module that enhances memory efficiency and spatial alignment. MaskMed outperforms the existing nnUNet model, achieving superior Dice scores on AMOS 2022 and BTCV datasets.

MaskMed: Decoupled Mask and Class Prediction for Medical Image Segmentation

arXiv:2512.11548v1 Announce Type: new 
Abstract: Despite the success of deep learning based models in medical image segmentation, most state-of-the-art (SOTA) methods perform fully-supervised learning, which commonly rely on large scale annotated training datasets. However, medical image annotation is highly time-consuming, hindering its clinical applications. Semi-supervised learning (SSL) has been emerged as an appealing strategy in training with limited annotations, largely reducing the labelling cost. We propose a novel SSL framework SSL-MedSAM2, which contains a training-free few-shot learning branch TFFS-MedSAM2 based on the pretrained large foundation model Segment Anything Model 2 (SAM2) for pseudo label generation, and an iterative fully-supervised learning branch FSL-nnUNet based on nnUNet for pseudo label refinement. The results on MICCAI2025 challenge CARE-LiSeg (Liver Segmentation) demonstrate an outstanding performance of SSL-MedSAM2 among other methods. The average dice scores on the test set in GED4 and T1 MRI are 0.9710 and 0.9648 respectively, and the Hausdorff distances are 20.07 and 21.97 respectively. The code is available via https://github.com/naisops/SSL-MedSAM2/tree/main.

تم تقديم إطار SSL-MedSAM2 كنهج للتعلم شبه المراقب لقطاع الصور الطبية، مستفيدًا من تقنيات التعلم القليل من نموذج Segment Anything Model 2 (SAM2) لتوليد وتحسين التسميات الزائفة. تهدف هذه الابتكارات إلى معالجة التحديات التي تطرحها الحاجة إلى مجموعات بيانات موسعة من التعليقات في النماذج المراقبة بالكامل، والتي غالبًا ما تكون غير عملية في البيئات السريرية.

Se ha presentado el marco SSL-MedSAM2 como un enfoque de aprendizaje semi-supervisado para la segmentación de imágenes médicas, aprovechando las técnicas de aprendizaje de pocos ejemplos del Segment Anything Model 2 (SAM2) para generar y refinar etiquetas pseudo. Esta innovación busca abordar los desafíos que plantea la necesidad de conjuntos de datos anotados extensos en los modelos totalmente supervisados, que a menudo son impracticables en entornos clínicos.

Le cadre SSL-MedSAM2 a été introduit comme une approche d'apprentissage semi-supervisé pour la segmentation d'images médicales, tirant parti des techniques d'apprentissage par peu d'exemples du Segment Anything Model 2 (SAM2) pour générer et affiner des étiquettes pseudo. Cette innovation vise à relever les défis posés par la nécessité de vastes ensembles de données annotées dans les modèles entièrement supervisés traditionnels, souvent impraticables dans les contextes cliniques.

The SSL-MedSAM2 framework has been introduced as a semi-supervised learning approach for medical image segmentation, leveraging few-shot learning techniques from the Segment Anything Model 2 (SAM2) to generate and refine pseudo labels. This innovation aims to address the challenges posed by the need for extensive annotated datasets in traditional fully-supervised models, which are often impractical in clinical settings.

MaskMed: Decoupled Mask and Class Prediction for Medical Image Segmentation

Was this article worth reading? Share it

LucidQuery AI

Https

StateMesh

ModelsLab

Softmask

Attentive AI

Ready to build your own newsroom?