Jun, 2023

放射治疗中的 Segment Anything Model (SAM)

PDF
TL;DR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。
segment anything modelsamclinical radiotherapyautomatic segmentationorgan at risk
发现论文，激发创造
  • 医学影像分割模型：实验研究

    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

  • 医学图像分割模型？

    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

  • 医学图像分割中的 Segment-Anything 模型（SAM）的准确性

    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

  • 当 SAM 遇上医学图像：对多时相肝肿瘤分割中的 Segment Anything Model（SAM）进行研究

    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

  • 使用 CT、PET 和 MRI 多模态图像的头颈肿瘤分割模型

    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

  • SkinSAM：采用任意分割模型强化皮肤癌分割

    本研究基于 HAM10000 数据集，提出 SkinSAM 模型实现皮肤癌图像自动分割，最终模型准确度较高，证明了将该模型应用于医学图像分割任务的巨大潜力。

    Apr, 2023

  • 脑肿瘤分割的分割模型

    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

  • 探索增强放射学和病理学医学分割的 SAM 消融技术

    医学影像在诊断和治疗规划中发挥着关键作用，尤其是放射学和病理学对精确的图像分割依赖很大。Segment Anything Model（SAM）作为一种有前景的框架，用于解决不同领域的分割挑战。本文深入探讨了 SAM，剖析了其基本组成部分，并揭示了它们之间复杂的相互作用。我们还探讨了 SAM 的微调，评估了其对分割结果准确性和可靠性的深远影响，重点关注放射学（具体地说是脑肿瘤分割）和病理学（具体地说是乳腺癌分割）的应用。通过一系列精心设计的实验，我们分析了 SAM 在医学影像领域的潜在应用，旨在弥合先进分割技术与保健需求之间的差距，并揭示 SAM 的变革能力。

    Sep, 2023

  • 探索 SAM 模型在二维医学图像中的零样本能力：全面评估与实践指南

    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

  • 关于组织学图像中核实例分割的区段任何模型的普适性

    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