本研究提出一种半监督医学图像分割的方法，通过在简单平均教师体系结构中双向复制粘贴标记和未标记数据，从而鼓励标记和未标记数据之间的一致性学习，有效缓解标记和未标记数据分布之间的差异，实验证明该方法相对于其他半监督医学图像分割数据集的最新技术有实质性提升。

May, 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

本文提出了SCP-Net方法，利用多个输入源提高一致性学习中预测的多样性，结合半监督方法和自我感知一致性学习方法，提高伪标签的紧致性和可靠性。实验表明，SCP-Net可以优于其他半监督分割方法，相比于有限的有监督训练，可以显著提高性能。

May, 2023

通过对SAM的嵌入空间进行自我提示，我们提出了一种在医学视觉应用中自我提示的新视角，通过一个简单而有效的线性像素分类器，保留了大模型的编码能力、其解码器的上下文信息，并利用其互动性，我们在多个数据集上取得了竞争性的结果（与使用少量图像微调掩模解码器相比，改进超过15%）

Aug, 2023

本研究提出了一种新方法，将Segment Anything Model (SAM)与领域特定知识相结合，可用于构建医学图像分割模型，通过迭代的方式，将无标签图像与SAM和领域特定知识相结合，有效地进行半监督学习，以实现标签效率高的医学图像分割。实验证明该方法在乳腺癌、息肉和皮肤病变分割方面具有有效性，为医学图像分割的半监督学习开辟了新的方向。

Aug, 2023

我们引入了一种新颖的微调框架，通过批处理基于真实掩蔽的边界框引入批量提示策略，以提高Segment Anything Model 在医学图像上的性能表现和广泛的分割任务中解决医学图像中常见的复杂性和模糊性。

Oct, 2023

提出了UR-SAM，一个用于增强自动提示医学图像分割的稳健性和可靠性的不确定性矫正SAM框架，通过引入提示增强模块和基于不确定性的矫正模块，提升了SAM的分割性能，无需手动提示，对医学图像分割具有高效和广泛的能力。

Nov, 2023

通过将Segment Anything Model (SAM) 的伪标签作为辅助来增强半监督医学图像分割的学习过程，能够显著提升现有的半监督框架在极为有限的标注图像情况下的性能。

Dec, 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

提出了Auto-Prompting Module（APM）和Incremental Pattern Shifting（IPS）两种方法，其中APM通过提供欧几里得自适应提示显著提高了Segment Anything Model (SAM) 在医学图像分割中的性能，而IPS则使SAM在特定医学领域中达到了与fine-tuning相媲美的最先进或有竞争力的性能，将这两种方法结合起来构建了一个冻结SAM所有参数的端到端、非fine-tuning的医学图像分割框架ProMISe。

Mar, 2024