该论文介绍了 SonoSAM，一种用于超声图像的对象分割的可提示基础模型。SonoSAM 在经过微调的约 200,000 个超声图像 - 掩模对组成的丰富多样的对象集上表现出最先进的性能，在 8 个未见过的超声数据集上都显著优于竞争方法，并获得了超过 90％的平均 Dice 相似性分数，仅需 2-6 次点击即可进行标注，是一种用于注释超声图像的有价值的工具。作者还将 SonoSAM 扩展到了三维 (2D+t) 应用，并展示了出色的性能，使其成为从超声电影循环中生成密集注释的有价值工具。此外，为了提高 SonoSAM 的实用性，作者提出了一种先进行微调，然后通过知识蒸馏到较小的模型的两步过程，而不会影响性能。论文详细地定性和定量地比较了 SonoSAM 与最先进方法，展示了 SonoSAM 作为一种可靠的、通用的超声基础模型的功效。

Oct, 2023

这篇研究论文讨论了 Segment Anything Model 在各个领域的表现及其未来发展前景，并提供了有助于未来研究活动的洞见，以完成通用分割任务。

Apr, 2023

本文介绍了一种利用有限数量的样本来对 Segment Anything Model (SAM) 进行微调的高效实用方法，以适用于医学领域，经实证研究表明 SAM 在医学领域即使只有少量标记数据也能有效对齐，通过在脑肿瘤分割（BraTS）和多器官 CT 分割（Synapse）实验中的综合结果，验证了这种方法的可行性和有效性，为 SAM 在医学领域的实际应用铺平了道路。

Aug, 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

该论文综述了 Segment Anything Model（SAM）在医学图像分割中的应用，包括实证基准测试和方法论改进，并讨论了 SAM 在医学图像分割中的未来方向和文献综述。

May, 2023

手术场景分析中使用人工智能的分割是一个基本问题。然而，这个领域内固有的数据稀缺性使得为该任务调整传统分割技术变得具有挑战性。因此，我们提出了一种名为 AdaptiveSAM 的改进模型，可以快速有效地适应新的数据集，并可以使用文本提示进行分割，其在各种医学图像数据集上优于当前最先进的方法。

Aug, 2023

SAMME 是一个扩展了新的 SAM 变种模型、采用更快的通信协议、适应了新的交互模式、并允许对模型的子组件进行微调的平台，通过这些功能可以拓展 SAM 等基础模型的潜力，并将结果应用于图像引导治疗、混合现实互动、机器导航和数据增强等应用。

Mar, 2024

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

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

我们引入了一种新颖的微调框架，通过批处理基于真实掩蔽的边界框引入批量提示策略，以提高 Segment Anything Model 在医学图像上的性能表现和广泛的分割任务中解决医学图像中常见的复杂性和模糊性。

Oct, 2023