本文研究使用超声舌头成像技术对语音产生的过程进行可视化，并通过多种训练方案探讨了从原始超声记录中对语音的分类方法，研究表明，提供最少的额外讲话者信息可以有助于模型更好地推广到未知的讲话者中。

Jul, 2019

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

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

本文针对 Segment Anything Model（SAM）在医学图像分割领域的 zero-shot 泛化能力进行了研究，并发现模型对于不同数据集和提示的表现会有差异，通过提供适当的提示，如边界框，SAM的性能显著提高。

Apr, 2023

将基础模型和领域特定模型相结合，nnSAM在医学图像分割中提供了更准确、更健壮的解决方案，并允许少样本学习。

Sep, 2023

通过Ammonia-Net模型对舌象图像进行语义分割，以识别牙痕，为牙痕舌的分类提供语义分割结果，并且模型在牙痕舌鉴别两类分类任务中达到99.06％的准确度和舌象图像分割任务中的71.65％的mIoU。

Oct, 2023

该研究开发和评估了一种新的多模态医学图像零样本分割算法，名为文本-视觉提示SAM（TV-SAM），无需任何手动注释。该算法利用大型语言模型GPT-4、视觉语言模型GLIP和段落与图像模型SAM，从医学图像中自动生成描述性文本提示和视觉边界框提示，从而增强SAM的零样本分割能力。全面的评估在七个公开数据集上进行，涵盖了八种成像模态，证明TV-SAM可以有效地在各种模态下分割未见目标，无需额外训练，在性能上明显优于SAM AUTO和GSAM，与SAM BBOX加上金标准边界框提示的性能相当，并在ISIC和WBC等特定数据集上超越了现有技术水平。该研究表明，TV-SAM是一种有效的多模态医学图像零样本分割算法，凸显了GPT-4在零样本分割中的重要贡献。通过整合GPT-4、GLIP和SAM等基础模型，可以增强解决专业领域复杂问题的能力。

Feb, 2024

提出了MaskSAM，这是一种适用于医学图像分割的新型无需提示的SAM适应框架，通过与SAM中的图像编码器结合设计了一个提示生成器，生成一组辅助分类器令牌、辅助二进制掩模和辅助边界框，以解决额外提示的要求，同时利用3D深度卷积适配器和3D深度MLP适配器使预训练的2D SAM模型提取3D信息并适应3D医学图像。我们的方法在AMOS2022上取得了最先进的性能，Dice系数为90.52%，相比nnUNet提高了2.7%。在ACDC和Synapse数据集上，我们的方法分别超过了nnUNet 1.7%和1.0%。

Mar, 2024

本研究解决了现有SAM在医学图像分割领域表现不佳的问题，提出了一种新型基础模型SAM-UNet，通过将U-Net集成到原始SAM中，充分利用卷积的上下文建模能力。实验结果表明，SAM-UNet在零样本分割实验中显著超越了之前的大型医学SAM模型，并有效减轻了未见模式下的性能下降，展示出其高效性和可扩展性。

Aug, 2024

本研究解决了传统中医舌诊中齿痕舌头识别方法主观性强、准确性差的问题。提出了一种新颖的弱监督自动化方法，利用视觉变换器和多实例学习进行舌头区域的提取和齿痕舌头的识别。研究结果表明，该方法在齿痕舌头分类中具有高准确性，显著提升了诊断的客观性和准确性，为临床实践提供了重要价值。

Aug, 2024