借鉴了 Segment Anything Model (SAM) 的方法，我们提出了 SAM3D，该方法针对 3D 体积医学图像，利用 SAM 编码器的预训练特征来捕捉输入图像的意义表示，并通过整体处理 3D 图像而避免了大量参数的训练，实验结果表明，在 3D 医学分割任务中，我们的网络相对于其他最先进的方法具有竞争力且参数效率明显。

Sep, 2023

快速交互式的基于 SAM 的三维医学图像分割方法 FastSAM3D 通过层次递进提取复杂 12 层 ViT-B 和轻量级 6 层 ViT-Tiny 变种编码器之间的知识传递，并使用稀疏闪光注意力代替传统的注意力操作符，大幅减少内存需求和提高并行化，从而在相同体积上与 2D SAMs 相比，实现了 527.38 倍的加速，在与 3D SAMs 相比，实现了 8.75 倍的加速，并且性能下降不明显，为常用 GPU 硬件实现低成本、真正交互式的基于 SAM 的三维医学图像分割开辟了道路。

Mar, 2024

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

SAM-Med2D 是目前最全面的研究，通过收集和整理公开和私有数据集的约 4.6M 图像和 19.7M 掩膜构建了一个包括不同模态和对象的大规模医学图像分割数据集，并通过包围盒、点和掩膜的综合提示将自然图像分割模型 SAM 应用于医学图像分割，进行了彻底的微调，获得了最佳性能和泛化能力。

Aug, 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

SAM3D 是一种新的半自动零射击 3D 图像分割方法，通过现有的任意分割模型，利用四步策略实现在 3D 图像中快速且准确的分割，可以帮助手术规划和教育、诊断成像以及科学研究。

May, 2024

在医学图像分割中，Segment Anything Model (SAM) 的应用受到其在自然图像分割中的良好表现的限制。为此，我们引入了 Slide-SAM，将 SAM 扩展到 3D 医学图像分割中，并通过使用单个切片提示来减少专业人员的负担，实现更高分辨率的训练以实现最优学习结果，并通过充分评估和分析不同特征、解剖结构和器官的 Slide-SAM 在医学图像分割中的表现，证明其具有最先进的 3D 分割性能。

Nov, 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

介绍了一种用于 3D 多器官 CT 基于分割的新方法，即 AutoSAM Adapter，通过自动提示学习范式来促进 Segment Anything Model（SAM）模型能力向 3D 医学图像分割的转变，从而消除了手动生成提示的需求，并成功将获得的知识传递给其他专门为 3D 医学图像分析量身定制的轻量级模型，实现了在医学图像分割任务上的最先进性能。

Aug, 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