这种惊人的医学图像分割效果都得益于SAM模型（尤其是升级后的SAM 2）的诸多上风，不仅拥有出色的泛化能力，还可以实时进行图像和视频内容的工具分割，大幅提升了处理速率。因此比拟传统方法，这种具有高度自动化和准确性的方法是医疗图像领域未来的研究趋势。
目前SAM做医学图像分割还处于初步阶段，这也意味着创新潜力和空间都很大，如果大家有发文需求可以考虑，我这边也整理好了15篇最新、全开源的高质量论文给大家参考，同时也附上了90多个医学数据集（医学缺数据集我懂），希望各位的论文能尽快中稿。
论文原文+开源代码须要的同学关注“学姐带你玩AI”"大众号，那边回答“SAM分割”获取。
SAM 2Medical SAM 2: Segment medical images as video via Segment Anything Model 2方法：本文先容了一种前辈的分割模型MedSAM-2，它利用SAM2框架办理了2D和3D医学图像分割任务。通过将医学图像视为视频，MedSAM-2不仅适用于3D医学图像，还可以实现新的一次提示分割功能。实验证明MedSAM-2在性能上不仅超越了现有模型，而且在各种医学图像分割任务中展现出更强大的泛化能力。
创新点：
MedSAM-2可运用于2D和3D医学图像分割任务，将医学图像视为视频，通过设计独特的管道和模块提高3D医学图像分割性能，并实现了独特的一次提示分割能力。MedSAM-2的一次提示分割能力是一个新的打破。用户只需对一个特定图像供应提示，模型就可以自动对所有后续图像中相同类型的物体进行分割，而不考虑图像之间的韶光关系。SAM2-UNet: Segment Anything 2 Makes Strong Encoder for Natural and Medical Image Segmentation方法：论文提出了一种大略而有效的用于自然和医学领域的多功能分割的SAM2-UNet框架。SAM2-UNet采取了经典的U型编码器-解码器架构，具有易于利用和高可扩展性的特点。通过在编码器中插入适配器，SAM2-UNet实现了参数高效的微调，纵然在内存有限的设备上也能进行演习。
创新点：
提出了SAM2-UNet框架，用于图像分割任务。采取SAM2的Hiera骨干作为编码器，利用经典的U型设计作为解码器。SAM2-UNet在多个任务领域，如伪装目标检测、显著性目标检测、海洋动物分割、镜像检测和息肉分割等，表现出卓越的性能。SAMSegment Anything in Medical Images方法：论文构建一个单一根本模型来管理多个分割任务的可行性，并先容了MedSAM作为医学图像分割中的首个根本模型。通过人工注释和外部验证等实验证明了MedSAM的上风和广泛适用性。
创新点：
通用医学图像分割：它是首个设计用于多种医学图像分割任务的通用模型。超越现有技能：在多个验证任务中，MedSAM的性能超越了现有的最前辈模型。精确的生物标记物剖析：MedSAM能够准确量化肿瘤包袱，对临床诊断和治疗方案具有主要意义。SAM-FNet: SAM-Guided Fusion Network for Laryngo-Pharyngeal Tumor Detection方法：SAM-FNet是一个双分支网络，利用了SAM强大的目标分割能力来准确识别和分割喉咽部内窥镜图像中的病变区域。SAM-FNet在内部数据集FAHSYSU上实现了92.14%的准确率，在外部数据集SAHSYSU上实现了92.29%的准确率，超越了现有的最前辈方法，展示了其在喉咽部肿瘤检测任务中的卓越性能。
创新点：
利用SAM对喉咽部内窥镜图像中的病变区域进行精确分割，以更好地提取病变特色。结合全局特色提取器和局部特色提取器，捕获全面的图像信息，并通过GAN-like特色优化模块增强特色的互补性。采取多任务学习框架优化分类器，并结合不同分支的预测结果，提高模型的鲁棒性和准确性。论文原文+开源代码须要的同学关注“学姐带你玩AI”"大众年夜众号，那边回答“SAM分割”获取。