通过在 Segment Anything Model（SAM）中引入医学知识，我们介绍了 SA-Med2D-20M，这是一个基于众多公共和私有数据集构建的大规模分割数据集，包含了 460 万个 2D 医学图像和 1970 万个相应的蒙版，并详细描述了该数据集的构建和处理方法。我们希望利用 SA-Med2D-20M 数据集的大规模和多样性来开发医学人工智能，以增强诊断、医学图像分析、知识共享和教育。

Nov, 2023

MedSAM 是第一次尝试将 SAM 的成功延伸到医学图像中，通过构建一个包含超过 200,000 个掩膜的大规模医学图像数据集，并开发了一种简单的微调方法，以适应普通医学图像分割，在 21 个 3D 分割任务和 9 个 2D 分割任务的全面实验中，展示了超过默认 SAM 模型的平均 Dice 相似系数 (DSC) 分别达到了 22.5% 和 17.6 %。

Apr, 2023

该研究提出了 SAM-Med3D，对 3D 医学图像进行了全面研究和修正，通过训练在大规模数据集上的全面处理的 3D 体系结构，提供了全面的性能评估。与 SAM 相比，SAM-Med3D 在三维体积医学图像的分割能力和效率上都具有显著的增强。

Oct, 2023

通过实验探究 SAM 模型对 12 个不同器官、图像模式和健康情况的医学图像数据集的精确度及其在医学图像分割方向上的应用前景，发现 SAM 模型在没有重新训练医学图像时准确度没有 U-Net 和其他深度学习模型高。

Apr, 2023

提出 SAMed，它是一种通用的医学图像分割解决方案，可在医学图像上实现语义分割，并实现与同类最先进方法相媲美的准确率。

Apr, 2023

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

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

SAM 模型在图像分割方面表现良好，但在医学图像方面还需要进一步验证。我们介绍了 SAMM，它是 SAM 的扩展，用于在 3D Slicer 上处理医学图像，并能够近乎实时地产生图像掩膜。

Apr, 2023

SAM 模型为基础，通过 SAM^{assist} 和 SAM^{auto} 两个子模块，提出了 SAM^{Med} 框架，无需大量标记即可实现精准的医学图像分割。

Jul, 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