生物医学SAM 2:在生物医学图像和视频中分割任何内容
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
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
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
本研究针对医学图像分割领域中的2D和3D任务,提出了医疗SAM 2(MedSAM-2)模型。该模型创新性地将医学图像视为视频处理,支持一次性提示分割对象,在多种医学成像模态中显示出优秀的性能和广泛的适用性,超越了传统和互动分割模型的效果。
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