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

本研究重点探讨利用交互式分割算法 Segment Anything Model（SAM）进行乳腺超声影像乳腺肿瘤分割的有效性。 该研究表明 ViT_l 模型在性能指标上具有卓越表现，研究还评估了该模型在分割恶性和良性肿瘤方面的差异性能，发现其在两个类别中均表现出出色的能力。 此外，本研究还分析了体积、对比度、长宽比和复杂性等各种肿瘤特征对分割性能的影响。 研究结果为 SAM 作为乳腺超声影像乳腺肿瘤分割算法提供了有价值的见解。

May, 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

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

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

本研究评估了 SAM 2D 在医学成像中的零样本能力，结果显示其性能与目前的最新技术相当甚至更好，并提出一项实用的指南以获得在所有评估上都具有鲁棒性的结果。

Apr, 2023

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

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

通过在大规模多样化数据集上进行预训练，SAM 模型是计算机视觉领域针对目标分割任务的第一个可提示的基础模型。本文评估了 SAM 在零样本学习和微调下的核实例分割性能，将其与其他代表性方法在核实例分割中尤其是模型泛化能力的背景下进行比较，并提出使用核实例检测模型来为 SAM 提供核实例的边界框或中心点作为视觉提示，从组织学图像中生成核实例掩模。

Jan, 2024