Aug, 2024

SAM 2在医学图像分割中是否优于SAM？

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 医学图像分割模型?

    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

  • 如何利用Segment Anything Model (SAM) 提升医学图像分割？

    该论文综述了Segment Anything Model（SAM）在医学图像分割中的应用，包括实证基准测试和方法论改进，并讨论了SAM在医学图像分割中的未来方向和文献综述。

    May, 2023

  • 噪声医学图像上用于SAM的假阴性/假阳性控制

    提出了一种改进的测试阶段提示增强技术，可提高在医学图像分割中使用稀疏手动提示的Segment Anything Model的性能和鲁棒性。此外，提出了一种只使用单个2D切片的边界框注释即可实现3D像素级分割的Single-Slice-to-Volume方法。

    Aug, 2023

  • SAM-Med2D

    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

  • 任意分割模型 2：对二维和三维医学图像的应用

    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

  • 段落分割模型2：对2D和3D医学图像的应用

    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

  • 在医学图像和视频中分割任何东西：基准和部署

    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

  • SAM 2在医学图像分割中的表现是否优于SAM？

    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

  • 对SAM2在3D CT图像分割性能的简短评估

    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

  • 释放SAM2在生物医学图像和视频中的潜力：一项调查

    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