通过使用粗糙语义分割掩模作为输入以及零 - shot 可提示的基础模型作为优化目标，我们提出了一种不需要提示的分割方法来解决低数据环境下分割模型的性能下降问题，并在肌肉骨骼超声图像数据集上进行了实验证明我们方法的优势，在不同程度的低数据环境下，随着训练集大小的减小，取得了更大的性能提升。

Apr, 2024

医学图像分割的注释高效学习与基础模型的挑战：综述与分析。

Apr, 2024

本文将利用基于 Segment Anything Model (SAM) 的零样本能力进行医学图像分割任务的初步评估，结果表明，SAM 可以很好地适应 CT 数据，因此有望成为半自动分割工具的推手，并且相信这种基础模型能够成为医学领域模型其他适应性研究的良好出发点。

Apr, 2023

基于监督训练方法和无标签自我监督学习方法，在 100 个心脏超声图像的 25 个测量上，对 Segment Anything 模型（SAM）进行了性能和资源比较，结果发现 SAM 的性能较差，需要更多的标注和计算资源，显示出比无标签自我监督学习方法更低的效率。

Nov, 2023

通过对 SAM 进行自适应预训练图像编码器以进行基于检测的区域提议，我们的方法在病理学领域的两个基本分割任务中达到了与最先进模型相媲美的 F1 得分（细胞核检测）和二进制 / 多类别 panoptic（bPQ/mPQ）和掩模质量（dice），同时实现了端到端效率。

Apr, 2024

最近许多生物医学影像分析领域的进展主要受到 Segment Anything Model (SAM) 的推动。这项先进的技术最初是为了通用计算机视觉而开发的，但在医学图像处理领域得到了迅速应用。我们的综述聚焦于 2023 年 4 月 1 日至 9 月 30 日这段重要的首次出版后六个月的时期，我们研究了 SAM 在解决长期临床挑战方面所需的改进和整合，特别关注了我们分析的 33 个开放数据集。尽管 SAM 在许多应用中达到了或超越了最先进的性能水平，但在一些方面仍存在不足，例如对颈动脉、肾上腺、视神经和下颌骨的分割。我们的调查深入研究了 SAM 的创新技术和其在各种医学影像场景中有效转化和应用的核心概念。

Jan, 2024

对于自动分割医学图像的研究，本文总结了目前的微调策略，并在包括所有常见放射学模态的 17 个数据集上进行评估，研究发现微调 Segment Anything Model (SAM) 相较于以前的分割方法具有稍微更好的性能，使用参数效率高的学习在编码器和解码器中进行微调的策略优于其他策略，网络架构对最终性能影响不大，通过自监督学习进一步训练 SAM 可以提高最终模型性能。

Apr, 2024

深度学习模型在大量数据训练下已成为最近有效的预测问题解决方法，研究了基于自然图像训练的基础模型在磁共振成像数据上的分割任务性能，结果表明这些模型虽然在少数情况下可接受，但根据整体趋势，它们在整个体积的磁共振成像分割上不够有效，而在少数特定切片上表现良好，这提示基于自然图像训练的基础模型可能在其他成像模态上效果不佳。

Dec, 2023

Segment Anything Model (SAM) 是第一个用于图像分割的基础模型，本研究评估了 SAM 在虚拟现实环境下记录的眼部图像中分割特征的能力。结果表明，SAM 的分割效果可以与专门模型相媲美，且使用提示工具可以提高其性能，示例数据集中瞳孔分割的 IoU 达到 93.34%。SAM 等基础模型有望通过快速且易用的图像分割方法，革新注视估计领域，减少对专门模型和繁琐手动标注的依赖。

Nov, 2023

我们构建了一个轻量级模块，基于自监督预训练的视觉编码器与预训练文本编码器对齐图像特征，利用现有的基础模型生成语义分割数据集的免费注释，并使用这个模块为任何预训练视觉编码器带来基于语言的语义，只需少量无注释训练数据，表现出令人印象深刻的泛化能力。

Mar, 2024