本研究评估了SAM模型在数字病理学中零次分割任务的表现，结果表明其可对大型连通对象进行显着分割，但对密集实例对象分割的性能不尽如人意。未来，来自下游病理分割任务的图像的少量微调可能有助于模型在密集对象分割方面取得更好的性能。

Apr, 2023

SAM是一个通用视觉模型，虽然在医学图像分割上的分割效果不高，但其生成的掩膜、特征和稳定性分数可以用于构建和训练更好的医学图像分割模型，该论文展示了如何用SAM来增强常用的医学图像分割模型（例如U-Net），两个数据集上的实验表明了我们提出方法的有效性。

Apr, 2023

通过引入可训练的类别提示和病理编码器，本研究将Segment Anything Model（SAM）适应于数字病理学中的语义分割任务，进一步通过增加病理基础模型提高了SAM-Path在数字病理学中的语义分割能力，实验证明在两个公共病理学数据集上，可训练类别提示的微调方案在Dice得分上超过手动提示和后处理的SAM27.52％，在IOU得分上超过71.63％，而增加病理基础模型相对提升Dice得分5.07％至5.12％，IOU得分4.50％至8.48％。

Jul, 2023

本研究提出了一种新方法，将Segment Anything Model (SAM)与领域特定知识相结合，可用于构建医学图像分割模型，通过迭代的方式，将无标签图像与SAM和领域特定知识相结合，有效地进行半监督学习，以实现标签效率高的医学图像分割。实验证明该方法在乳腺癌、息肉和皮肤病变分割方面具有有效性，为医学图像分割的半监督学习开辟了新的方向。

Aug, 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

通过评估Segment Anything Model (SAM)在组织病理学数据的零样本和微调场景下的性能，并与其他最先进的交互模型进行比较，我们发现SAM在分割性能上相对较弱，而在推理时间和泛化能力方面相对较强。为了改进SAM的有限的局部细化能力，并提高其核心优势的同时保持其稳定性，我们提出了对SAM解码器的修改，实验证明该修改对于交互式组织学图像分割非常有效。

Oct, 2023

通过使用多分辨率补丁，在保留原始提示驱动设计、高效性和零时适应性的同时，使用精确的对象分割功能增强了SAM，解决了现有的医学SAM在全尺度图像的多尺度本质上并不适用的限制。

Mar, 2024

通过对SAM进行自适应预训练图像编码器以进行基于检测的区域提议，我们的方法在病理学领域的两个基本分割任务中达到了与最先进模型相媲美的F1得分（细胞核检测）和二进制/多类别panoptic（bPQ/mPQ）和掩模质量（dice），同时实现了端到端效率。

Apr, 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