本文使用 Meta AI Research 最近发布的 SAM 模型在医学成像领域的一个关键任务 —— 息肉分割中进行了性能评估，旨在为该领域的发展提供启示，并推动未来更多有趣的工作。

Apr, 2023

通过文本提示辅助的 SAM 模型进行息肉分割任务的性能评估及与未辅助的 SAM 模型的比较。

Aug, 2023

通过在 Collaborative Learning Network 中使用 Segment Anything Model，以及基于已生成的 scribble 注释的改进模块、特征聚合模块和图像级过滤机制等策略，本文提出了适用于弱监督息肉分割的 novel SAM-guided Collaborative Learning Network (SAM-CLNet) 方法，实验结果表明其优于现有的弱监督分割方法。

Dec, 2023

通过引入增强型的 Segment Anything Model (ASPS) 方法，借助交叉分支特征增强和不确定性引导的预测规范化，提高了颜色肠癌中基于颗粒的分割的性能。

Jun, 2024

我们提出了一种强大的微调技术，PP-SAM，通过有限的图像使 SAM 适应息肉分割任务，实验结果显示，在推理过程中使用 50 像素扰动的 1-shot、5-shot 和 10-shot PP-SAM 的 DICE 分数分别超过了最新的多项式分割方法 26%、7% 和 5%，推动了 PP-SAM 在其他具有有限样本的医学成像任务中的广泛适用性。

May, 2024

在医学成像中，息肉分割是一个关键问题，引发了许多旨在提高分割掩模质量的方法。尽管当前最先进的技术取得了令人印象深刻的结果，但这些模型的规模和计算成本对实际的行业应用构成了挑战。最近，提出了 Segment Anything Model (SAM) 作为一种稳健的基础模型，显示出对于医学图像分割的适应性的前景。受到这一概念的启发，我们提出了 SAM-EG，这是一个指导小型息肉分割模型来解决计算成本挑战的框架。此外，在这项研究中，我们引入了 Edge Guiding 模块，将边缘信息集成到图像特征中，以帮助分割模型解决当前分割模型在此任务中的边界问题。通过大量实验，我们的小型模型展示了它们的功效，通过达到与最先进的方法相竞争的结果，为息肉分割和医学成像领域的紧凑模型开发提供了一种有希望的方法。

Jun, 2024

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

通过使用计算机视觉技术和合成数据，提出了一种用于结肠息肉分割的模型，该模型在自监督和半监督设置中达到了最先进的结果。

Jul, 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

通过多尺度信息共享和选择网络 (MISNet) 解决结直肠镜图像中息肉分割的问题，提高分割结果的准确性和清晰度。

May, 2024