SAM是用于图像分割的第一个通用基础模型，能以自动或手动提示的方式进行零-shot图像分割，并在不同的自然图像分割任务中取得了令人瞩目的成绩。但在医学图像分割方面仍然存在一定挑战，SAM在某些情况下表现出色，但需要结合手动标注才能取得更好的表现。

Apr, 2023

借鉴了Segment Anything Model (SAM)的方法，我们提出了SAM3D，该方法针对3D体积医学图像，利用SAM编码器的预训练特征来捕捉输入图像的意义表示，并通过整体处理3D图像而避免了大量参数的训练，实验结果表明，在3D医学分割任务中，我们的网络相对于其他最先进的方法具有竞争力且参数效率明显。

Sep, 2023

该研究提出了SAM-Med3D，对3D医学图像进行了全面研究和修正，通过训练在大规模数据集上的全面处理的3D体系结构，提供了全面的性能评估。与SAM相比，SAM-Med3D在三维体积医学图像的分割能力和效率上都具有显著的增强。

Oct, 2023

本研究针对SAM 2在医学图像处理中的应用进行评估，填补了现有技术在3D医学图像分割方面的空白。通过对18个医学影像数据集的测试，发现SAM 2在单帧2D分割中性能与前代相似，但在多帧3D分割中表现不一，显示了对选定切片的依赖性。这项工作为医学成像领域的3D分割提供了重要的洞见。

Aug, 2024

本研究解决了交互式医学图像分割（IMIS）方法在3D医学数据稀缺情况下的局限性。通过利用下一代Meta SAM模型SAM 2的零-shot能力，将3D图像的序列2D切片视为视频帧，从而实现全自动化的注释传播。实验结果表明，尽管与监督学习方法仍有差距，SAM 2在特定情境下可以显著减轻医学专家的注释负担，并具有进一步优化的潜力。

Aug, 2024

本研究解决了当前分割基础模型在医学数据中应用的不明确性，全面基准测试了Segment Anything Model 2（SAM2）在11种医学图像和视频中的性能。通过转移学习管道，显示出SAM2能够快速适应医学领域，并实现了其作为3D切片插件和Gradio API的高效部署，为医学图像和视频分割提供了新的解决方案。

Aug, 2024

本研究重点评估Segment Anything Model 2 (SAM 2)在医学图像分割中的表现，尤其是在零-shot提示方式下。尽管在某些情况下SAM 2的表现略优于SAM，但总体而言，SAM在医学图像分割中的效果更佳，尤其在对比度较低的CT和超声图像中，SAM 2的表现不如SAM。

Aug, 2024

本研究针对医学图像分割中Segment Anything Model（SAM）与其升级版SAM 2的性能进行了比较，尤其是在零-shot提示的情况下。通过多种成像模态的多个数据集，研究发现虽然在某些案例中SAM 2表现略佳，但总体上仍未超过SAM，特别是在低对比度成像模态如CT和超声中。此外，SAM 2在处理MRI图像时则表现持平或稍好于SAM。

Aug, 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