最近许多生物医学影像分析领域的进展主要受到 Segment Anything Model (SAM) 的推动。这项先进的技术最初是为了通用计算机视觉而开发的，但在医学图像处理领域得到了迅速应用。我们的综述聚焦于 2023 年 4 月 1 日至 9 月 30 日这段重要的首次出版后六个月的时期，我们研究了 SAM 在解决长期临床挑战方面所需的改进和整合，特别关注了我们分析的 33 个开放数据集。尽管 SAM 在许多应用中达到了或超越了最先进的性能水平，但在一些方面仍存在不足，例如对颈动脉、肾上腺、视神经和下颌骨的分割。我们的调查深入研究了 SAM 的创新技术和其在各种医学影像场景中有效转化和应用的核心概念。

Jan, 2024

通过利用现有数据的局部或稀疏标注分割标签，我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战，实验结果表明，我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能，凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。

Nov, 2023

提出了一种基于图谱回放的医学图像分割方法，利用原型生成高质量分割掩膜，通过图像配准在训练分布变化的同时保持一致性，并在七个公开的前列腺分割数据集上与现有的持续学习方法进行了比较，表明该方法既稳健又具有广泛的泛化能力，能够保持知识。

Nov, 2023

本文介绍 “医学分割十项全能赛（MSD）” 的比赛举办及其结论，提出了一种方法，能够在多个任务上表现良好，同时兼顾算法的泛化性能；冠军算法的延续优异表现，验证了这个假设。

Jun, 2021

本研究探讨了在医学图像分割中应用机器学习加速分割的过程中，评价方法的选择以及如何处理体素间的依存关系问题。研究以多模态评价方法为基础，量化并优化不同分割方法的表现效果。

Feb, 2023

本文介绍了一种半自动半自动前列腺磁共振图像分割方法的初步结果，旨在将其纳入前列腺放射性治疗的导航系统中。该方法基于由 18 个磁共振检查组成的人群计算的解剖图谱的配准，并采用一种混合配准框架，将基于强度的配准与强大的点匹配算法相结合，用于解剖图谱的构建和配准。在与专家分割相比的验证中，该方法的平均误差为 3.39 毫米，标准差为 1.95 毫米。我们认为，这种分割工具可能对临床医生的常规定量图像分析非常有帮助。

Jun, 2008

本文介绍了一个由许多临床相关解剖学的多任务数据集组成的、用于对语义分割算法进行综合基准测试的开放源代码数据集，其通过多个机构的努力进行生成，成为在 2018 年举行的一个众包挑战中被使用的数据集。

Feb, 2019

本文介绍了 DeepATLAS 的基础模型，用于高维生物医学数据中的定位任务。通过自监督目标的收敛，预训练模型将输入映射到解剖一致的嵌入空间，从而可以用一次或少量迭代的方法识别任何点或点集（例如，盒子或分割）。在经过全面训练的 DeepATLAS 模型上，基于超过 50 个解剖结构的四个外部测试集表现出高的一次分割性能，匹配或超过了标准的监督学习模型的性能。通过添加少量的有标签数据，可以进一步提高准确性，使用半监督或更常规的微调策略。

Feb, 2024

医学影像在诊断和治疗规划中发挥着关键作用，尤其是放射学和病理学对精确的图像分割依赖很大。Segment Anything Model（SAM）作为一种有前景的框架，用于解决不同领域的分割挑战。本文深入探讨了 SAM，剖析了其基本组成部分，并揭示了它们之间复杂的相互作用。我们还探讨了 SAM 的微调，评估了其对分割结果准确性和可靠性的深远影响，重点关注放射学（具体地说是脑肿瘤分割）和病理学（具体地说是乳腺癌分割）的应用。通过一系列精心设计的实验，我们分析了 SAM 在医学影像领域的潜在应用，旨在弥合先进分割技术与保健需求之间的差距，并揭示 SAM 的变革能力。

Sep, 2023

本文介绍了一种针对医学图像分割的半监督学习框架，名为 “Mine yOur owN Anatomy”（MONA），通过使用更强的数据增强和最近邻等方法，可以有效地处理数据不平衡（tailness）和内部差异（consistency），提高医学图像分割领域的性能。同时，MONA 可以在无监督的情况下将医学图像分解为一组解剖特征，并在不同的标签半监督设置下，取得了新的最优性能。

Sep, 2022