通过引入 2D 模型的特性，我们提出了 Segment3D 方法，用于生成高质量的 3D 场景分割掩码，从而实现对于细粒度掩码的改进，并且能够轻松添加新的训练数据以进一步提升分割性能，而无需手动标注训练标签。

Dec, 2023

本研究提出了一种综合且可扩展的 3D SAM 模型，名为 CT-SAM3D，用于全身 CT 分割，通过使用一个（几乎）完全标记的 CT 数据集，建立了一个 3D 可提示的分割模型。我们的模型可以有效地响应更高维度的空间提示，通过减少大规模器官的交互提示工作量，以较少的点击提示显著提高了所有以前基于 SAM 的模型的定量性能。

Mar, 2024

提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。

May, 2024

提出了一种名为 SegVol 的通用交互式体积医学图像分割模型，通过在 90k 个无标签的 CT 体积和 6k 个标记的 CT 上进行训练，该基础模型支持对 200 多个解剖类别的分割，使用语义和空间提示，在多个分割基准测试中表现明显优于现有技术，尤其在三个具有挑战性的病变数据集上，其 Dice 分数比 nnU-Net 高约 20%。

Nov, 2023

本研究提出了一种名为 Volume Fusion (VF) 的自监督学习策略，结合多个随机补丁，采用预定义的融合系数融合前景子卷和背景子卷，无需手动注释地预训练 3D CT 体数据的分割模型，结果表明该方法表现优于其他基于自监督训练和分割模型的方法。

Jun, 2023

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

Nov, 2019

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

通过采用大规模预训练模型、计算机视觉和 2D 任务，本研究提出了一种新的框架来解决 3D 点云分割任务，通过将 2D 语义分割预测投影到 3D 空间，并引入语义标签融合策略，实现了在扩展的数据集上的 3D 场景理解。

Nov, 2023

本研究利用预训练的 CLIP 和 DINO 模型的多模式知识和物体推理能力来解决三维开放式词汇分割的挑战。通过优化神经辐射场 (NeRF) 并引入相应的损失函数，本研究在无需进行微调的情况下，以开放式视觉和文本知识为先验知识，从 2D 特征中提取出 3D 分割特征。通过实验验证，本研究所提出的方法在无需分割注释的情况下，甚至优于完全监督的分割模型训练，表明三维开放式词汇分割可以有效地从 2D 图像和文本图像对中学到。

May, 2023

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