本文研究了使用交互式医学图像分割范例中的 SAM 零 - shot 能力增强医学图像分割的潜力，并提出了一种叫做 TEPO 的自适应提示形式优化框架来解决人类专家支持下的 SAM 脆弱性问题，并通过强化学习来进一步提高 SAM 在 MIS 上的零 - shot 能力。在标准基准 BraTS2020 上的数值实验表明，学习到的 TEPO 代理可以进一步增强 SAM 在 MIS 上的零 - shot 能力。

Jun, 2023

我们提出了一种基于预训练 2D 图像模型的策略，使用单点提示来进行 3D 医学图像分割，并通过引入轻量级适配器来提取深度相关的（3D）空间上下文，以实现准确的边界。与其他分割方法相比，我们的方法在结肠和胰腺肿瘤分割方面具有卓越的性能。

Oct, 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

通过对 SAM 的嵌入空间进行自我提示，我们提出了一种在医学视觉应用中自我提示的新视角，通过一个简单而有效的线性像素分类器，保留了大模型的编码能力、其解码器的上下文信息，并利用其互动性，我们在多个数据集上取得了竞争性的结果（与使用少量图像微调掩模解码器相比，改进超过 15%）

Aug, 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

手术场景分析中使用人工智能的分割是一个基本问题。然而，这个领域内固有的数据稀缺性使得为该任务调整传统分割技术变得具有挑战性。因此，我们提出了一种名为 AdaptiveSAM 的改进模型，可以快速有效地适应新的数据集，并可以使用文本提示进行分割，其在各种医学图像数据集上优于当前最先进的方法。

Aug, 2023

通过引入新的局部感知提示机制，本研究提出了一种数据高效的个性化图像分割方法（P^2SAM），能够在不进行模型微调的情况下，仅利用一次性病人特定数据实现对新病人的无缝适应，大大提高了性能并在不同应用领域展示出了出色的通用性。

Mar, 2024

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

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

介绍了一种适用于医学图像的无提示适应性分割模型 H-SAM，并通过两阶段层次解码程序实现有效的细化调整，以提高其在医学图像分割中的性能。

Mar, 2024