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

介绍了一种用于3D多器官CT基于分割的新方法，即AutoSAM Adapter，通过自动提示学习范式来促进Segment Anything Model（SAM）模型能力向3D医学图像分割的转变，从而消除了手动生成提示的需求，并成功将获得的知识传递给其他专门为3D医学图像分析量身定制的轻量级模型，实现了在医学图像分割任务上的最先进性能。

Aug, 2023

引入了名为 MA-SAM 的适用于各种体积和视频医学数据的模态无关 SAM 适应框架，通过在图像编码器的转换器块中注入一系列的 3D 适配器，使预训练的 2D 主干从输入数据中提取第三维信息。在四个医学图像分割任务上，使用了 CT、MRI 和外科手术视频数据的 10 个公共数据集进行全面评估，结果显示，我们的方法在不使用任何提示的情况下，始终表现优于各种最先进的三维方法，在 CT 多器官分割、MRI 前列腺分割和外科手术场景分割的 Dice 指标上分别超过 nnU-Net 0.9%、2.6% 和 9.9%。在使用提示时，我们的模型也表现出强大的泛化能力，并在具有挑战性的肿瘤分割任务中表现出色。

Sep, 2023

基于医学图像的不确定性感知，使用 Uncertainty-aware Adapter 对 Segment Anything Model 进行有效 fine-tuning，实现了新的最先进的医学图像分割方法。

Mar, 2024

本研究提出了一种综合且可扩展的3D SAM模型，名为CT-SAM3D，用于全身CT分割，通过使用一个（几乎）完全标记的CT数据集，建立了一个3D可提示的分割模型。我们的模型可以有效地响应更高维度的空间提示，通过减少大规模器官的交互提示工作量，以较少的点击提示显著提高了所有以前基于SAM的模型的定量性能。

Mar, 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

本研究旨在评估最新开发的段落分割模型2在2D和3D医学图像中的应用能力，填补了医学成像领域对3D图像分割方法的需求。通过分析18个医学影像数据集，研究发现SAM 2在单帧2D分割中表现相似于前一模型，而在多帧3D分割中性能受选择标注切片和传播方向等因素影响。这一研究为医学图像处理提供了新的思路和方法。

Aug, 2024

本研究解决了当前分割基础模型在医学数据中应用的不明确性，全面基准测试了Segment Anything Model 2（SAM2）在11种医学图像和视频中的性能。通过转移学习管道，显示出SAM2能够快速适应医学领域，并实现了其作为3D切片插件和Gradio API的高效部署，为医学图像和视频分割提供了新的解决方案。

Aug, 2024

本研究解决了医学图像分割中全模型训练需要大量参数调优的问题。提出的S-SAM方法仅训练0.4%的模型参数，并利用标签名称提供精确掩膜，这使得模型更高效且减少了对专家提示的依赖。实验结果表明，S-SAM在五种不同的医学影像模态上表现优越，潜在地提高了医学图像分割的实用性。

Aug, 2024