提出了一种改进的测试阶段提示增强技术，可提高在医学图像分割中使用稀疏手动提示的 Segment Anything Model 的性能和鲁棒性。此外，提出了一种只使用单个 2D 切片的边界框注释即可实现 3D 像素级分割的 Single-Slice-to-Volume 方法。

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

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

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

将基础模型和领域特定模型相结合，nnSAM 在医学图像分割中提供了更准确、更健壮的解决方案，并允许少样本学习。

Sep, 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

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

本研究通过使用深度学习方法自动分割头颈部癌症的肿瘤体积，并在使用不同模态图像进行 fine-tuning 的情况下对模型性能进行评估。结果表明，在使用边界框提示的情况下，对 SAM 进行 fine-tuning 可以显著提高其分割准确度，为半自动头颈部癌症肿瘤体积分割开辟了一个有前景的途径。

Feb, 2024

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

本论文提出了一种结合连续表示和 SAM 的方法 I-MedSAM，用于医学图像分割，通过使用隐式神经表示训练一个隐式分割解码器，以获得更好的跨领域能力和准确的边界描绘。

Nov, 2023