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

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

在医学图像分割中，为培育标注注释集需要领域专业知识的劳动密集型和耗时的任务，而导致深度学习模型的狭隘性和有限的转化效力。本研究探索了 Segment Anything Model (SAM) 在众包环境下为 3D DL 分割模型培育稀疏标注以生成密集分割遮罩的潜力。结果表明，尽管 SAM 生成的标注与地面实况标注相比具有较高的平均 Dice 得分，但在 SAM 生成的标注上训练的 nnU-Net 模型表现明显差于在地面实况标注上训练的 nnU-Net 模型（p<0.001，全部）。

Mar, 2024

本研究提出了一种新方法，将 Segment Anything Model (SAM) 与领域特定知识相结合，可用于构建医学图像分割模型，通过迭代的方式，将无标签图像与 SAM 和领域特定知识相结合，有效地进行半监督学习，以实现标签效率高的医学图像分割。实验证明该方法在乳腺癌、息肉和皮肤病变分割方面具有有效性，为医学图像分割的半监督学习开辟了新的方向。

Aug, 2023

针对医学图像中低对比度、模糊边界、复杂形状和小尺寸物体等问题，提出了一种名为 SAMUS 的通用超声图像分割模型，通过引入平行 CNN 分支、位置适配器和特征适配器，使得 SAMUS 在医学图像分割任务中具有更好的泛化能力和更低的部署成本，并在广泛的对比实验中表现出卓越的性能。

Sep, 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

本论文提出了一种结合连续表示和 SAM 的方法 I-MedSAM，用于医学图像分割，通过使用隐式神经表示训练一个隐式分割解码器，以获得更好的跨领域能力和准确的边界描绘。

Nov, 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

本研究提出了一种新颖的乳腺超声图像分割方法，称为 BUSSAM，通过使用适配器技术将 Segment Anything Model（SAM）迁移到乳腺超声图像分割领域。通过设计轻量级的 CNN 图像编码器以及交叉支路适配器，位置适配器和特征适配器对原始 SAM 进行微调，实验结果表明，我们的模型在医学图像分割方面具有显著优势。

Apr, 2024

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