SAM是用于图像分割的第一个通用基础模型，能以自动或手动提示的方式进行零-shot图像分割，并在不同的自然图像分割任务中取得了令人瞩目的成绩。但在医学图像分割方面仍然存在一定挑战，SAM在某些情况下表现出色，但需要结合手动标注才能取得更好的表现。

Apr, 2023

TomoSAM是一个将前沿的Segment Anything Model集成到3D Slicer中的软件，它是一个能够在零样本学习的基础上，基于用户点击来识别物体和创建图像mask的深度学习模型，这个工具的协同作用有助于对来自断层扫描或其他成像技术的复杂3D数据集进行分割。

Jun, 2023

SAM-Med2D是目前最全面的研究，通过收集和整理公开和私有数据集的约4.6M图像和19.7M掩膜构建了一个包括不同模态和对象的大规模医学图像分割数据集，并通过包围盒、点和掩膜的综合提示将自然图像分割模型SAM应用于医学图像分割，进行了彻底的微调，获得了最佳性能和泛化能力。

Aug, 2023

借鉴了Segment Anything Model (SAM)的方法，我们提出了SAM3D，该方法针对3D体积医学图像，利用SAM编码器的预训练特征来捕捉输入图像的意义表示，并通过整体处理3D图像而避免了大量参数的训练，实验结果表明，在3D医学分割任务中，我们的网络相对于其他最先进的方法具有竞争力且参数效率明显。

Sep, 2023

该研究提出了SAM-Med3D，对3D医学图像进行了全面研究和修正，通过训练在大规模数据集上的全面处理的3D体系结构，提供了全面的性能评估。与SAM相比，SAM-Med3D在三维体积医学图像的分割能力和效率上都具有显著的增强。

Oct, 2023

SAMME是一个扩展了新的SAM变种模型、采用更快的通信协议、适应了新的交互模式、并允许对模型的子组件进行微调的平台，通过这些功能可以拓展SAM等基础模型的潜力，并将结果应用于图像引导治疗、混合现实互动、机器导航和数据增强等应用。

Mar, 2024

本研究针对SAM 2在医学图像处理中的应用进行评估，填补了现有技术在3D医学图像分割方面的空白。通过对18个医学影像数据集的测试，发现SAM 2在单帧2D分割中性能与前代相似，但在多帧3D分割中表现不一，显示了对选定切片的依赖性。这项工作为医学成像领域的3D分割提供了重要的洞见。

Aug, 2024

本研究解决了交互式医学图像分割（IMIS）方法在3D医学数据稀缺情况下的局限性。通过利用下一代Meta SAM模型SAM 2的零-shot能力，将3D图像的序列2D切片视为视频帧，从而实现全自动化的注释传播。实验结果表明，尽管与监督学习方法仍有差距，SAM 2在特定情境下可以显著减轻医学专家的注释负担，并具有进一步优化的潜力。

Aug, 2024

本研究旨在评估最新开发的段落分割模型2在2D和3D医学图像中的应用能力，填补了医学成像领域对3D图像分割方法的需求。通过分析18个医学影像数据集，研究发现SAM 2在单帧2D分割中表现相似于前一模型，而在多帧3D分割中性能受选择标注切片和传播方向等因素影响。这一研究为医学图像处理提供了新的思路和方法。

Aug, 2024

本研究解决了当前分割基础模型在医学数据中应用的不明确性，全面基准测试了Segment Anything Model 2（SAM2）在11种医学图像和视频中的性能。通过转移学习管道，显示出SAM2能够快速适应医学领域，并实现了其作为3D切片插件和Gradio API的高效部署，为医学图像和视频分割提供了新的解决方案。

Aug, 2024