深度学习模型在大量数据训练下已成为最近有效的预测问题解决方法，研究了基于自然图像训练的基础模型在磁共振成像数据上的分割任务性能，结果表明这些模型虽然在少数情况下可接受，但根据整体趋势，它们在整个体积的磁共振成像分割上不够有效，而在少数特定切片上表现良好，这提示基于自然图像训练的基础模型可能在其他成像模态上效果不佳。

Dec, 2023

评估了 Segment Anything Model (SAM) 在脑肿瘤分割上的性能，发现 SAM 与目前的最先进模型之间仍存在差距。

Sep, 2023

本研究通过使用深度学习方法自动分割头颈部癌症的肿瘤体积，并在使用不同模态图像进行 fine-tuning 的情况下对模型性能进行评估。结果表明，在使用边界框提示的情况下，对 SAM 进行 fine-tuning 可以显著提高其分割准确度，为半自动头颈部癌症肿瘤体积分割开辟了一个有前景的途径。

Feb, 2024

本研究提出了一种创新方法，将 Segment Anything Model（SAM）与投票网络相结合，用于多模态脑胶质瘤分割，并通过使用边界框指导提示（SAMBA）来适应非洲数据集的复杂性。我们的集成策略利用多种模态和视图，产生了一个稳健的共识分割，解决了肿瘤内部异质性问题。虽然扫描质量低提出了困难，但我们的方法有潜力在非洲等资源有限的环境中深远影响临床实践，改善治疗决策并推动神经肿瘤学研究。此外，未来成功应用于其他脑肿瘤类型和病变有望在神经影像学上带来更广泛的转变，改善所有环境下的医疗结果。该研究在脑肿瘤分割（BraTS）挑战非洲（BraTS-Africa）数据集上进行，该数据集为解决特定于资源有限环境，特别是非洲人口的挑战，促进了有效和更具一般性的分割算法的发展提供了宝贵资源。为了说明我们的方法的潜力，我们在 BraTS-Africa 数据集上的实验证明了令人信服的结果，其中 SAM 在二元分割和多类别分割上的 Dice 系数分别为 86.6 和 60.4。

Dec, 2023

本研究中，我们评估了 SAM 模型在临床放射治疗中的表现。SAM 在前列腺和肺区域的自动分割表现较好，而在胃肠和头颈区域的表现相对较差。然而，这些结果表明 SAM 对于使用单个训练模型完成四个区域的器官边界识别具有鲁棒的泛化能力。

Jun, 2023

对于自动分割医学图像的研究，本文总结了目前的微调策略，并在包括所有常见放射学模态的 17 个数据集上进行评估，研究发现微调 Segment Anything Model (SAM) 相较于以前的分割方法具有稍微更好的性能，使用参数效率高的学习在编码器和解码器中进行微调的策略优于其他策略，网络架构对最终性能影响不大，通过自监督学习进一步训练 SAM 可以提高最终模型性能。

Apr, 2024

介绍了 Segment Anything (SA) 项目 —— 一项新的任务、模型和图像分割数据集，该模型具有任务迁移和零样本学习的能力，并通过大规模数据集的训练，达到或超过以前完全监督结果的性能，旨在为计算机视觉的基础模型研究提供支持。

Apr, 2023

基于医学影像模态的肿瘤病变分割在癌症诊断和治疗规划中起着关键作用。本文提出了一种创新的基于掩模增强的肿瘤病变分割模型 M-SAM，其中引入了新颖的掩模增强适配器（MEA），以及迭代精化方案，旨在提高分割的准确性和在不同数据集上的泛化能力。

Mar, 2024

本文对 Segment Anything Model 在医学图像中的效果进行了评估，结果表明性能受任务和数据集影响较大，需要进一步研究来适应医学图像领域。

Apr, 2023

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