MedSAM 是第一次尝试将 SAM 的成功延伸到医学图像中，通过构建一个包含超过 200,000 个掩膜的大规模医学图像数据集，并开发了一种简单的微调方法，以适应普通医学图像分割，在 21 个 3D 分割任务和 9 个 2D 分割任务的全面实验中，展示了超过默认 SAM 模型的平均 Dice 相似系数 (DSC) 分别达到了 22.5% 和 17.6 %。

Apr, 2023

SAM-Med2D是目前最全面的研究，通过收集和整理公开和私有数据集的约4.6M图像和19.7M掩膜构建了一个包括不同模态和对象的大规模医学图像分割数据集，并通过包围盒、点和掩膜的综合提示将自然图像分割模型SAM应用于医学图像分割，进行了彻底的微调，获得了最佳性能和泛化能力。

Aug, 2023

通过在Segment Anything Model（SAM）中引入医学知识，我们介绍了SA-Med2D-20M，这是一个基于众多公共和私有数据集构建的大规模分割数据集，包含了460万个2D医学图像和1970万个相应的蒙版，并详细描述了该数据集的构建和处理方法。我们希望利用SA-Med2D-20M数据集的大规模和多样性来开发医学人工智能，以增强诊断、医学图像分析、知识共享和教育。

Nov, 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

本研究旨在评估最新开发的段落分割模型2在2D和3D医学图像中的应用能力，填补了医学成像领域对3D图像分割方法的需求。通过分析18个医学影像数据集，研究发现SAM 2在单帧2D分割中表现相似于前一模型，而在多帧3D分割中性能受选择标注切片和传播方向等因素影响。这一研究为医学图像处理提供了新的思路和方法。

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

本研究解决了生物医学图像和视频分割的挑战，特别是在医疗背景下的应用。我们提出了BioSAM 2，这是一种基于SAM 2的优化模型，通过实验结果显示其在性能上超越了现有最先进模型，并且与专业模型相匹配甚至更优，展示了其在医疗领域的巨大潜力。

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

本研究针对现有医学图像分割模型在少量标注数据下表现不佳的问题，提出了一种新的方法FS-MedSAM2。通过充分利用SAM2的训练记忆注意模块和处理掩码提示的能力，该方法在两个公开医学图像数据集上超越了当前的最先进技术，展示了其显著的应用潜力。

Sep, 2024