DICOM / NIfTI 导入
面向常见医学影像数据格式，适合本地病例、科研队列和标注任务的快速打开与查看。
PAM 本地医学 影像分割与 定量分析工具
面向科研评估、辅助标注和定量分析场景，支持本地离线处理常见医学影像数据。
- 源自《npj Digital Medicine》顶刊算法
- 全本地运行，数据不上云
- 支持多器官分割与定量分析
Product workflow
本地软件使用步骤
覆盖从医学影像导入、三维联动查看、提示分割到人工复核和结果导出的本地工作流。
2D / 3D 联动查看
轴位、矢状位、冠状位和 3D 视图联动展示，便于复核分割边界和空间结构。
描边提示与人工修正
Lite 版本保留医生更容易接受的描边模式，配合人工修正流程降低试用学习成本。
定量结果导出
支持围绕体积、面积、HU 统计等结果能力继续扩展，服务科研分析和结果汇总。
提示：优先选择器官或病灶的最大切面，边界信息更完整，更利于三维传播和后续人工修正。
Validated research method
源自高水平论文方法
PAM: a propagation-based model for segmenting any 3D objects across multi-modal medical images
该方法发表在 Nature 出版集团旗下期刊《npj Digital Medicine》（IF: 15.1）， 针对三维医学影像标注成本高、层间拓扑不连续、跨模态泛化不足等问题， 从单视图二维提示出发，通过双向轴向传播将局部交互扩展到全局三维结构。
成果入选第四届医学人工智能大会 2025 年度医学人工智能代表性算法提名，并在涵盖全身器官、 百余类对象、上百万个实例和四大成像模态的 44 个数据集上完成验证。
npj Digital Medicine
Nature 出版集团旗下期刊
IF 15.1
高水平医学人工智能论文来源
44 datasets
涵盖全身器官与多类对象
Multi-modal
覆盖四大成像模态验证
关键技术优势
- 解剖连续性建模通过“双向轴向传播”解决三维数据中连续性缺失和信息稀疏等难题，实现结构与语义的一致性建模。
- 极简交互仅基于单视图二维提示，通过信息传播机制自适应重构全局三维结构，大幅降低临床交互成本。
- 广域泛化与稳定提升在涵盖全身器官，包括百余类、上百万个对象、四大成像模态的 44 个数据集上，准确性（平均 Dice）相比现有最优方法有大幅提升，在复杂与稀有对象上表现突出。
- 高效推理与轻量部署推理时间较对比方法显著缩短；同时，本模型参数少，便于临床及边缘端部署，具备优异的实时性与扩展性。
- 专有化持续进化能力依托传播式建模与模块化架构，PAM 可通过少量样本微调快速适配新任务或稀有对象，构建高性能专有模型，展现持续进化与迁移潜力。
PAM 试用版定位为科研评估、辅助标注和定量分析工具。实际效果与数据类型、 目标结构、图像质量和操作流程有关；分割结果需要专业人员复核，不作为独立诊断依据。
Case walkthroughs
案例演示
每段录屏均为真实软件操作，覆盖导入影像、描边提示、生成分割、查看 3D 结果与人工修正。
Application scenarios
扩展应用
辅助完成多器官、多模态影像标注与结果整理。
围绕分割结果开展体积、面积、HU 统计和结果复核。
为纵向影像对比、结构变化观察和疗效研究提供基础结果。
结合三维结果查看空间结构，服务术前讨论和科研展示。
Trial plans & download
下载试用版本
公开试用提供 PAM Lite CPU / GPU，完整功能版 PAM Pro GPU 采用申请授权方式发放。
PAM Lite CPU
没有 NVIDIA CUDA GPU、只有集成显卡或不确定配置时优先选择，适合先确认完整操作流程。
- 不要求 NVIDIA 独立显卡
- 描边模式
- Normal 推理
- 人工修正与结果导出
PAM Lite GPU
面向具备 NVIDIA CUDA GPU 的电脑，最低 4GB 显存，建议 6GB+，适合更顺畅地体验推理速度。
- 功能同 Lite CPU
- 适合现场演示和高频试用
- 更适合真实病例流程评估
PAM Pro GPU
完整功能版，建议 NVIDIA 8GB+ 显存，用于明确单位、授权期限和反馈方式的合作评估。
- 保留 Box 与描边
- 保留 Normal 与 Plus
- 申请制授权和机器绑定
Suitable teams
面向哪些团队
- 医院科研团队
- 医学影像课题组
- 医疗 AI 标注团队
- 药械研发与影像终点团队
使用问题反馈或合作联系：jiezhao@pku.edu.cn