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

本文针对 Segment Anything Model（SAM）在医学图像分割领域的 zero-shot 泛化能力进行了研究，并发现模型对于不同数据集和提示的表现会有差异，通过提供适当的提示，如边界框，SAM的性能显著提高。

Apr, 2023

本文提出的方法通过使用编码器代替条件图像，在未经过进一步的微调的情况下，使用与多种医学影像和视频基准测试上的最新结果来改进 recently introduced Segment Anything Model (SAM) 的能力，并使用曲测解调制网络将其解码为遮罩。

Jun, 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

通过在Segment Anything Model（SAM）中引入医学知识，我们介绍了SA-Med2D-20M，这是一个基于众多公共和私有数据集构建的大规模分割数据集，包含了460万个2D医学图像和1970万个相应的蒙版，并详细描述了该数据集的构建和处理方法。我们希望利用SA-Med2D-20M数据集的大规模和多样性来开发医学人工智能，以增强诊断、医学图像分析、知识共享和教育。

Nov, 2023

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

本研究解决了生物医学图像和视频分割的挑战，特别是在医疗背景下的应用。我们提出了BioSAM 2，这是一种基于SAM 2的优化模型，通过实验结果显示其在性能上超越了现有最先进模型，并且与专业模型相匹配甚至更优，展示了其在医疗领域的巨大潜力。

Aug, 2024

本研究解决了医学图像分割中标注数据稀缺的问题，提出了一种新方法，通过DINOv2和SAM 2模型的结合，实现检索增强的少样本医学图像分割。该方法无需重新训练，展示了在多个医学图像分割任务中优越的性能和良好的泛化能力，具有重要的临床应用潜力。

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