SAM模型在图像分割方面表现良好，但在医学图像方面还需要进一步验证。我们介绍了SAMM，它是SAM的扩展，用于在3D Slicer上处理医学图像，并能够近乎实时地产生图像掩膜。

Apr, 2023

本文针对 Segment Anything Model（SAM）在医学图像分割领域的 zero-shot 泛化能力进行了研究，并发现模型对于不同数据集和提示的表现会有差异，通过提供适当的提示，如边界框，SAM的性能显著提高。

Apr, 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

通过评估Segment Anything Model (SAM)在组织病理学数据的零样本和微调场景下的性能，并与其他最先进的交互模型进行比较，我们发现SAM在分割性能上相对较弱，而在推理时间和泛化能力方面相对较强。为了改进SAM的有限的局部细化能力，并提高其核心优势的同时保持其稳定性，我们提出了对SAM解码器的修改，实验证明该修改对于交互式组织学图像分割非常有效。

Oct, 2023

通过构建视频数据集以及使用深度学习方法进行精子鉴定，研究提出了RoSTFine网络，在提高精子鉴定性能的同时，强调了重要的精子部位（即头部和颈部）的注意力。

Nov, 2023

男性不育问题在全球不育症案例中占三分之一。通过头部形态分析手动评估精子异常存在观察者差异和专家之间的诊断差异问题。我们提出了一种新的精子头部形态分类方法，称为SHMC-Net，它使用精子头部的分割掩模来指导精子图像的形态分类。

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

本研究解决了传统精子形态分析中存在的手动注释繁琐的问题。提出了一种新颖的基于注意力的实例感知部分分割网络，能够有效重建边界框外的上下文信息并修复失真的特征，同时开发了一种基于中心线的尾部形态测量方法，显著提高了测量精度。这些创新方法在精子形态自动分析中展示了卓越的性能和高准确性，具有重要的应用潜力。

Jul, 2024

该研究探讨了Segment Anything 2（SAM2）在3D医学图像分割中的性能差异，指出现有评估流程不一致导致结果冲突。通过对3D CT数据集进行的互动标注模拟，该研究发现SAM2的零-shot评估在处理医学图像时不足，尤其在前景物体缺失时易产生误报。因此，需要更多的研究与创新，以便医学成像领域能够正确使用SAM2。

Aug, 2024

本研究探讨了现有的分割基础模型在处理生物医学图像和视频方面的应用，尤其聚焦于SAM2模型的适用性和局限性。通过适应和微调，研究指出SAM2在不同数据集和任务中的表现存在差异，但在减少注释负担和实现零-shot分割方面展现出潜力。该工作强调了填补自然与医学图像领域差距的重要性，促进了临床应用的发展。

Aug, 2024