Aug, 2024

SAM SAM 2 在 3D Slicer 中：用于医学图像注释的 SegmentWithSAM 扩展

HTML
PDF
TL;DR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。
发现论文，激发创造
  • SAMM（Segment Any Medical Model）：用于SAM的三维切片器集成

    SAM模型在图像分割方面表现良好，但在医学图像方面还需要进一步验证。我们介绍了SAMM，它是SAM的扩展，用于在3D Slicer上处理医学图像，并能够近乎实时地产生图像掩膜。

    Apr, 2023

  • TomoSAM：使用SAM进行层析成像分割的3D Slicer扩展

    TomoSAM是一个将前沿的Segment Anything Model集成到3D Slicer中的软件，它是一个能够在零样本学习的基础上，基于用户点击来识别物体和创建图像mask的深度学习模型，这个工具的协同作用有助于对来自断层扫描或其他成像技术的复杂3D数据集进行分割。

    Jun, 2023

  • 自动提示移动友好的3D医学图像分割

    介绍了一种用于3D多器官CT基于分割的新方法，即AutoSAM Adapter，通过自动提示学习范式来促进Segment Anything Model（SAM）模型能力向3D医学图像分割的转变，从而消除了手动生成提示的需求，并成功将获得的知识传递给其他专门为3D医学图像分析量身定制的轻量级模型，实现了在医学图像分割任务上的最先进性能。

    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

  • 基于SAM 2的交互式3D医学图像分割

    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

  • 医疗SAM 2：通过Segment Anything模型2将医学图像视为视频进行分割

    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

  • 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

  • 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