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

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

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

本文提出了一种称为 Med SAM Adapter 的方法，它通过将医学特定领域知识与分析模型进行简单而有效的适应技术的集成，将SAM模型的强分割能力扩展到医学图像分割，在多种图像模态下优化19项医学图像分割任务，并超过各种已有的基于医学图像分割的最新技术，并与全面优化的MedSAM相比有不错的性能优势。

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

通过综述快速模型（SAM）在医学图像分割领域的应用，本文总结了对SAM在医学图像分割任务中的有效性进行扩展的最近努力，并探讨了未来SAM在医学图像分割中的研究方向。尽管直接应用SAM到多模态和多目标医学数据集的图像分割上表现不够令人满意，但从这些努力中得到的众多见解对于塑造医学图像分析领域的基础模型的发展轨迹起到了宝贵的指导作用。

Jan, 2024

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

本文介绍了一种基于Segment Anything Model（SAM）的创新增强方法SAMAug-C，用于生成原始图像的变体并增强分类数据集，实验结果验证了该方法的有效性。

Jun, 2024

本研究探讨了现有的分割基础模型在处理生物医学图像和视频方面的应用，尤其聚焦于SAM2模型的适用性和局限性。通过适应和微调，研究指出SAM2在不同数据集和任务中的表现存在差异，但在减少注释负担和实现零-shot分割方面展现出潜力。该工作强调了填补自然与医学图像领域差距的重要性，促进了临床应用的发展。

Aug, 2024