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

本文提出的方法通过使用编码器代替条件图像，在未经过进一步的微调的情况下，使用与多种医学影像和视频基准测试上的最新结果来改进 recently introduced Segment Anything Model (SAM) 的能力，并使用曲测解调制网络将其解码为遮罩。

Jun, 2023

本文介绍了一种适用于医学图像分割的、从2D到3D的SAM模型的新颖改进方法，并在4个医学数据集上进行了实验，结果表明该方法可以仅通过轻量级的空间适配器有效地捕捉体积医学图像中存在的空间模式。

Jun, 2023

提出了一种改进的测试阶段提示增强技术，可提高在医学图像分割中使用稀疏手动提示的Segment Anything Model的性能和鲁棒性。此外，提出了一种只使用单个2D切片的边界框注释即可实现3D像素级分割的Single-Slice-to-Volume方法。

Aug, 2023

针对医学图像中低对比度、模糊边界、复杂形状和小尺寸物体等问题，提出了一种名为SAMUS的通用超声图像分割模型，通过引入平行CNN分支、位置适配器和特征适配器，使得SAMUS在医学图像分割任务中具有更好的泛化能力和更低的部署成本，并在广泛的对比实验中表现出卓越的性能。

Sep, 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

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

该研究论文提出了一种将Segment Anything Model（SAM）和CLIP集成为医学图像分割的统一框架SaLIP的方法，展示了在零样本分割中显著提高的DICE得分，在脑部（63.46%）、肺部（50.11%）和胎头（30.82%）等不同分割任务中表现出显著改进。

Apr, 2024

本研究提出了一种新颖的乳腺超声图像分割方法，称为BUSSAM，通过使用适配器技术将Segment Anything Model（SAM）迁移到乳腺超声图像分割领域。通过设计轻量级的CNN图像编码器以及交叉支路适配器，位置适配器和特征适配器对原始SAM进行微调，实验结果表明，我们的模型在医学图像分割方面具有显著优势。

Apr, 2024

本研究解决了医学图像分割中全模型训练需要大量参数调优的问题。提出的S-SAM方法仅训练0.4%的模型参数，并利用标签名称提供精确掩膜，这使得模型更高效且减少了对专家提示的依赖。实验结果表明，S-SAM在五种不同的医学影像模态上表现优越，潜在地提高了医学图像分割的实用性。

Aug, 2024