Sep, 2024

MedCLIP-SAMv2：面向通用文本驱动的医学图像分割

HTML
PDF
TL;DR本文解决了医学图像分割中数据效率、泛化能力和交互性不足的问题，提出了一种新的框架MedCLIP-SAMv2，结合了CLIP和SAM模型，利用文本提示进行临床扫描的分割。研究表明该方法在零次学习和弱监督环境下，可以有效提升分割质量，且在多种医学成像任务中表现出高精准度。
发现论文，激发创造
  • SAM.MD：基于Segment Anything模型的零样本医学图像分割能力

    本文将利用基于Segment Anything Model (SAM)的零样本能力进行医学图像分割任务的初步评估，结果表明，SAM可以很好地适应CT数据，因此有望成为半自动分割工具的推手，并且相信这种基础模型能够成为医学领域模型其他适应性研究的良好出发点。

    Apr, 2023

  • 医学影像分割模型：实验研究

    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

  • 基于大型视觉模型的医学图像标注框架 SAM^Med

    SAM模型为基础，通过SAM^{assist}和SAM^{auto}两个子模块，提出了SAM^{Med}框架，无需大量标记即可实现精准的医学图像分割。

    Jul, 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

  • 医学图像分割的分割全模型：现阶段的应用与未来发展方向

    通过综述快速模型（SAM）在医学图像分割领域的应用，本文总结了对SAM在医学图像分割任务中的有效性进行扩展的最近努力，并探讨了未来SAM在医学图像分割中的研究方向。尽管直接应用SAM到多模态和多目标医学数据集的图像分割上表现不够令人满意，但从这些努力中得到的众多见解对于塑造医学图像分析领域的基础模型的发展轨迹起到了宝贵的指导作用。

    Jan, 2024

  • MedCLIP-SAM：将文本和图像融合以实现通用医学图像分割

    提出了一种新颖的框架——MedCLIP-SAM，结合了CLIP和SAM模型，使用文本提示在零样本和弱监督设置中生成临床扫描的分割，通过广泛测试三个不同的分割任务和医学图像模态，证明了该框架具有出色的准确性。

    Mar, 2024

  • SaLIP与SAM、CLIP级联用于零样本医学图像分割的测试时间自适应

    该研究论文提出了一种将Segment Anything Model（SAM）和CLIP集成为医学图像分割的统一框架SaLIP的方法，展示了在零样本分割中显著提高的DICE得分，在脑部（63.46%）、肺部（50.11%）和胎头（30.82%）等不同分割任务中表现出显著改进。

    Apr, 2024

  • SAM-UNet：提升SAM在通用医学图像上的零样本分割能力

    本研究解决了现有SAM在医学图像分割领域表现不佳的问题，提出了一种新型基础模型SAM-UNet，通过将U-Net集成到原始SAM中，充分利用卷积的上下文建模能力。实验结果表明，SAM-UNet在零样本分割实验中显著超越了之前的大型医学SAM模型，并有效减轻了未见模式下的性能下降，展示出其高效性和可扩展性。

    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

  • DB-SAM：深入研究高质量通用医学图像分割

    本研究针对医学图像分割中的性能差距问题，提出了双分支适应性SAM框架DB-SAM，以有效桥接自然数据与医学数据之间的领域差距。我们的主要发现显示，DB-SAM在21个3D医学图像分割任务中相比于现有方法取得了8.8%的显著提升。

    Oct, 2024