本研究提出了一种基于 Scribble Learning 的医学图像分割新框架 CycleMix，采用 mixup 策略进行增强，针对不一致的分割目标采用一致性损失进行规范，实验结果表明，该方法在两个开放式数据集上均取得了比全监督方法更加优秀的表现。

Mar, 2022

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

本文对Segment Anything Model在医学图像中的效果进行了评估，结果表明性能受任务和数据集影响较大，需要进一步研究来适应医学图像领域。

Apr, 2023

本文介绍了一种用于脊柱手术的首个实时分割方法，通过视频引导避免对脊神经的损伤，为外科医生提供重要的导航信息。此方法基于一份约10,000帧的细致注释分割数据集，针对语义分割问题，提出了FUnet(Frame-Unet)模型，通过利用帧间信息和自我注意机制，实现了业界最先进的性能。我们还对相似的息肉内窥镜视频数据集进行了拓展实验，结果表明该模型具有良好的泛化能力和优越的性能。本文提供了数据集和代码，详见此https URL。

Jul, 2023

手术场景分析中使用人工智能的分割是一个基本问题。然而，这个领域内固有的数据稀缺性使得为该任务调整传统分割技术变得具有挑战性。因此，我们提出了一种名为AdaptiveSAM的改进模型，可以快速有效地适应新的数据集，并可以使用文本提示进行分割，其在各种医学图像数据集上优于当前最先进的方法。

Aug, 2023

在这项研究中，我们采用轻量级的Segment Anything Model (SAM) 变体以满足速度要求，并采用微调技术来增强其在外科手术场景中的泛化能力。我们结合在线点追踪器和经过微调的轻量级SAM模型构建了一个新颖的框架，用于外科器械分割。在EndoVis 2015数据集上，定量结果超过了半监督视频对象分割方法的最新水平，并且可以在单个GeForce RTX 4060 GPU上以超过25 FPS的推理速度运行。

Mar, 2024

研究通过开发Surgical-DeSAM方法，利用Bounding Box提示和实时机器人手术，实现了实时仪器分割，并在MICCAI手术仪器分割挑战EndoVis 2017和2018数据集上显著改进仪器分割方法的性能。

Apr, 2024

通过椎骨分割，本研究提出了一种创新的图形用户界面（GUI），旨在改善术前计划和术中指导，实现精确脊柱螺钉定位。该方法包括前端和后端计算。前端包含一个GUI，允许外科医生在X射线图像上精确调整螺钉的位置，从而改善患者脊柱内手术螺钉插入的模拟。另一方面，后端处理包括获取脊柱X射线图像，进行预处理技术以减少噪音，并训练神经网络模型以实现椎骨的实时分割。GUI中的椎骨分割的集成确保精确的螺钉定位，减少神经损伤等并最终改善手术结果。Spine-Vision提供了一种综合解决方案，具备同步的AP-LP计划、通过椎骨分割的精确螺钉定位、有效的螺钉可视化和动态位置调整等创新功能。这种基于X射线图像的GUI工作流程成为一种宝贵工具，提高了脊柱螺钉定位和计划手术的精确性和安全性。

Jul, 2024

本研究针对机器人辅助手术中的视频分割挑战，探讨了Segment Anything Model (SAM) 2的零样本分割性能及其对现实世界干扰的鲁棒性。通过在MICCAI EndoVis 2017和2018基准数据集上的广泛实验，结果显示，SAM 2在使用边界框提示时超越了最先进的方法，并在1点提示的应用中接近或超过了现有的无提示方法，展示了其在有限提示需求下的潜力。

Aug, 2024

本研究解决了医学图像分割中全模型训练需要大量参数调优的问题。提出的S-SAM方法仅训练0.4%的模型参数，并利用标签名称提供精确掩膜，这使得模型更高效且减少了对专家提示的依赖。实验结果表明，S-SAM在五种不同的医学影像模态上表现优越，潜在地提高了医学图像分割的实用性。

Aug, 2024