提出一种用于半监督医疗图像分割的简单而有效的方法 DPMS，重点在于通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升了 SSMIS 的性能。

Aug, 2023

本文介绍了一种利用有限数量的样本来对Segment Anything Model (SAM) 进行微调的高效实用方法，以适用于医学领域，经实证研究表明SAM在医学领域即使只有少量标记数据也能有效对齐，通过在脑肿瘤分割（BraTS）和多器官CT分割（Synapse）实验中的综合结果，验证了这种方法的可行性和有效性，为SAM在医学领域的实际应用铺平了道路。

Aug, 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

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

通过将Segment Anything Model (SAM) 的伪标签作为辅助来增强半监督医学图像分割的学习过程，能够显著提升现有的半监督框架在极为有限的标注图像情况下的性能。

Dec, 2023

我们提出了一种简单而高效的少样本微调策略，用于将Segment Anything（SAM）适应于医学图像中的解剖分割任务。我们的方法通过在SAM内对掩膜解码器进行改进，利用从有限标记图像集合（少样本收集）中导出的少样本嵌入作为查询解剖对象的提示，大大减少了需要耗时的在线用户交互。我们的方法通过只使用缓存机制训练掩膜解码器、同时保持图像编码器冻结，优先考虑了微调过程的效率。此方法不仅限于体积医学图像，而且可以普遍应用于任何2D／3D分割任务。通过对四个数据集进行全面验证，覆盖了两种模态下六个解剖分割任务。此外，我们对SAM内的不同提示选项与完全监督的nnU-Net进行了比较分析。结果表明，与仅使用点提示的SAM相比，我们的方法表现卓越（IoU提高约50%），并且与完全监督方法相媲美，同时将标记数据需求降低了至少一个数量级。

Jul, 2024

提出SAM-Med3D-MoE框架，将任务特定的微调模型与基础模型无缝集成，通过额外的门控网络实现在各自任务上与原始模型相当的性能，为医学图像分析中的特定领域适应基础模型提供新的框架。

Jul, 2024

本研究解决了当前分割基础模型在医学数据中应用的不明确性，全面基准测试了Segment Anything Model 2（SAM2）在11种医学图像和视频中的性能。通过转移学习管道，显示出SAM2能够快速适应医学领域，并实现了其作为3D切片插件和Gradio API的高效部署，为医学图像和视频分割提供了新的解决方案。

Aug, 2024

本研究针对医学图像分割中的性能差距问题，提出了双分支适应性SAM框架DB-SAM，以有效桥接自然数据与医学数据之间的领域差距。我们的主要发现显示，DB-SAM在21个3D医学图像分割任务中相比于现有方法取得了8.8%的显著提升。

Oct, 2024