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

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

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

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

本研究解决了3D医学数据注释耗时且需要专业技术的难题。我们将通用的提示式分割算法SAM 2适应于3D医学图像注释，并通过3D Slicer软件提供了实现，使用户能够在2D切片上放置点提示，以生成注释掩模并在整个体积中传播这些注释。该扩展可提高医学图像的注释效率，具有重要的应用潜力。

Aug, 2024