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

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

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

本文提出的方法通过使用编码器代替条件图像，在未经过进一步的微调的情况下，使用与多种医学影像和视频基准测试上的最新结果来改进 recently introduced Segment Anything Model (SAM) 的能力，并使用曲测解调制网络将其解码为遮罩。

Jun, 2023

本文介绍了一种适用于医学图像分割的、从2D到3D的SAM模型的新颖改进方法，并在4个医学数据集上进行了实验，结果表明该方法可以仅通过轻量级的空间适配器有效地捕捉体积医学图像中存在的空间模式。

Jun, 2023

本文介绍了一种针对医学影像的零样本分割模型Segment Anything (SAM)，通过细调轻量级任务特定的ViT预测头来提高其在医学影像数据集上的性能。

Jun, 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

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

提出了UR-SAM，一个用于增强自动提示医学图像分割的稳健性和可靠性的不确定性矫正SAM框架，通过引入提示增强模块和基于不确定性的矫正模块，提升了SAM的分割性能，无需手动提示，对医学图像分割具有高效和广泛的能力。

Nov, 2023

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