本文探讨使用草图注释来训练医学图像分割网络的参数的训练策略，并在公共心脏（ACDC）和前列腺（NCI-ISBI）分割数据集上进行评估，结果表明，草图训练的网络与使用完整注释训练的网络相比，其Dice系数的下降仅为2.9％（心脏）和4.5％（前列腺）。

Jul, 2018

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

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

SAM是一个通用视觉模型，虽然在医学图像分割上的分割效果不高，但其生成的掩膜、特征和稳定性分数可以用于构建和训练更好的医学图像分割模型，该论文展示了如何用SAM来增强常用的医学图像分割模型（例如U-Net），两个数据集上的实验表明了我们提出方法的有效性。

Apr, 2023

该论文综述了Segment Anything Model（SAM）在医学图像分割中的应用，包括实证基准测试和方法论改进，并讨论了SAM在医学图像分割中的未来方向和文献综述。

May, 2023

SAM模型为基础，通过SAM^{assist}和SAM^{auto}两个子模块，提出了SAM^{Med}框架，无需大量标记即可实现精准的医学图像分割。

Jul, 2023

通过综述快速模型（SAM）在医学图像分割领域的应用，本文总结了对SAM在医学图像分割任务中的有效性进行扩展的最近努力，并探讨了未来SAM在医学图像分割中的研究方向。尽管直接应用SAM到多模态和多目标医学数据集的图像分割上表现不够令人满意，但从这些努力中得到的众多见解对于塑造医学图像分析领域的基础模型的发展轨迹起到了宝贵的指导作用。

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

本研究解决了医学图像分割领域中大型公开注释数据集稀缺的问题。通过利用Segment Anything Model（SAM）生成“伪标签”，并用其训练弱监督的UNet模型，我们发现边界框提示是一种简单有效的生成伪标签的方法。结果表明，该弱监督模型的表现与完全监督模型相当，具有显著的应用潜力。

Sep, 2024

本研究解决了医学图像分割领域缺乏通用基础模型的问题，提出了两种路径用于构建医学图像分割的基础AI模型：一是调整现有自然图像模型以适用医学图像，二是从头开始专门训练医学图像模型。研究表明，这些基础模型可以显著降低开发特定任务AI模型的需求，并能在小数据集上有效应用。

Nov, 2024