SAMM(Segment Any Medical Model):用于 SAM 的三维切片器集成
通过实验探究 SAM 模型对 12 个不同器官、图像模式和健康情况的医学图像数据集的精确度及其在医学图像分割方向上的应用前景,发现 SAM 模型在没有重新训练医学图像时准确度没有 U-Net 和其他深度学习模型高。
Apr, 2023
MedSAM 是第一次尝试将 SAM 的成功延伸到医学图像中,通过构建一个包含超过 200,000 个掩膜的大规模医学图像数据集,并开发了一种简单的微调方法,以适应普通医学图像分割,在 21 个 3D 分割任务和 9 个 2D 分割任务的全面实验中,展示了超过默认 SAM 模型的平均 Dice 相似系数 (DSC) 分别达到了 22.5% 和 17.6 %。
Apr, 2023
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
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
SAM3D 是一种新的半自动零射击 3D 图像分割方法,通过现有的任意分割模型,利用四步策略实现在 3D 图像中快速且准确的分割,可以帮助手术规划和教育、诊断成像以及科学研究。
May, 2024
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
SAM 是一个通用视觉模型,虽然在医学图像分割上的分割效果不高,但其生成的掩膜、特征和稳定性分数可以用于构建和训练更好的医学图像分割模型,该论文展示了如何用 SAM 来增强常用的医学图像分割模型(例如 U-Net),两个数据集上的实验表明了我们提出方法的有效性。
Apr, 2023
SAM 在医学图像分析中应用的能力较弱,但在交互式医学图像分割领域是一个有力的注释工具。
Apr, 2023