本研究评估了SAM模型在数字病理学中零次分割任务的表现，结果表明其可对大型连通对象进行显着分割，但对密集实例对象分割的性能不尽如人意。未来，来自下游病理分割任务的图像的少量微调可能有助于模型在密集对象分割方面取得更好的性能。

Apr, 2023

本文将利用基于Segment Anything Model (SAM)的零样本能力进行医学图像分割任务的初步评估，结果表明，SAM可以很好地适应CT数据，因此有望成为半自动分割工具的推手，并且相信这种基础模型能够成为医学领域模型其他适应性研究的良好出发点。

Apr, 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

本研究使用Segment Anything Model在医疗图像上进行了定量和定性的零-shot分割实验，并发现虽然其在一般领域的图像中表现出色，但在医疗图像中存在一定的局限性，特别是在结构性目标上，而针对这些问题的数量有限的微调可以带来明显的改进。此研究表明了通用视觉基础模型在解决医疗成像中的特定任务方面的多功能性，并展现了这些模型通过微调最终可以应对获取大量不同的医学数据集和应对医学领域的复杂挑战的巨大潜力。

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

本文针对 Segment Anything Model（SAM）在医学图像分割领域的 zero-shot 泛化能力进行了研究，并发现模型对于不同数据集和提示的表现会有差异，通过提供适当的提示，如边界框，SAM的性能显著提高。

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

本研究解决了在手术视频中缺乏标注数据和手术类型多样性导致的手术工具分割问题。我们采用了Segment Anything Model 2（SAM 2）进行零样本分割，其在不同手术类型视频中的性能展现了其有效性和适用性。研究结果表明，SAM 2在手术视频中表现出色，但在新工具出现时需额外提示以保持分割精度，同时手术视频的特性会影响其稳定性。

Aug, 2024

本研究解决了现有SAM在医学图像分割领域表现不佳的问题，提出了一种新型基础模型SAM-UNet，通过将U-Net集成到原始SAM中，充分利用卷积的上下文建模能力。实验结果表明，SAM-UNet在零样本分割实验中显著超越了之前的大型医学SAM模型，并有效减轻了未见模式下的性能下降，展示出其高效性和可扩展性。

Aug, 2024