UN-SAM：通用无提示分割广义细胞核图像
内容提要
本文综述了将SAM基础模型用于医学与细胞图像分割的研究。研究者通过自动生成点、框等提示，结合微调、弱监督及不确定性矫正等方法，构建PromptUNet、nnSAM、UR-SAM等框架，减少人工提示依赖，在核实例分割和3D多器官CT分割等任务上超越现有方法。
延伸解读
从手动提示到自动提示的演进
文章汇总的多项研究显示，SAM在医学图像分割中的早期应用依赖手动提示，而后续工作如all-in-SAM、UR-SAM和AutoSAM Adapter均致力于自动生成提示，以消除推理阶段的人工干预。这一趋势表明，降低提示依赖是提升SAM实用性的关键方向，尤其对于需要高通量的临床场景。
弱监督与微调策略的实用价值
针对医学图像标注成本高的问题，文章提到利用弱监督方法（如D-SAM、SAM-S）和微调技术（如SAC、all-in-SAM）来减少对强像素注释的依赖。实验表明，这些方法在细胞分割任务上比现有弱监督模型有9-15个百分点的提升，且弱注释微调性能可与强注释方法竞争，为数据稀缺场景提供了可行路径。
泛化能力与3D扩展的挑战
文章指出SAM在零样本和微调下的核实例分割性能被评估，并与代表性方法比较泛化能力。同时，AutoSAM Adapter将SAM能力扩展到3D医学图像分割，并传递知识给轻量级模型。这反映了SAM从2D自然图像向3D医学领域迁移时，需解决领域差异和计算效率问题，自动提示学习是重要手段。
Q&A
UN-SAM是什么？它主要解决什么问题？
UN-SAM是一种基于提示的框架，包含点提示器和段装置模型，用于自动核实例分割。它通过学习为每个细胞核生成唯一的点提示，并微调段装置模型输出相应的细胞核掩模，从而在三个挑战性基准上取得最新性能。
PromptUNet在医学图像分割中有什么优势？
PromptUNet将Prompt-based segmentation与UNet结合，并添加了Supportive Prompts和En-face Prompts等新提示类型。实验表明，其在医学图像分割上的精度高于nnUNet、TransUNet、UNetr、MedSegDiff和MSA等主流方法。
如何利用SAM进行弱监督细胞分割？
利用弱监督方法，在细胞分割任务中使用SAM，通过对象检测器的输出作为测试时的提示信息（D-SAM），以及SAM作为伪掩膜生成器在训练数据上训练独立的分割模型（SAM-S），并通过整数规划协调两组分割掩膜，从而实现更高性能。在公开数据集上，所有基于SAM的解决方案明显优于现有弱监督图像分割模型，增益在9-15个百分点之间。
UR-SAM框架如何提升医学图像分割的可靠性？
UR-SAM是一个不确定性矫正SAM框架，通过引入提示增强模块和基于不确定性的矫正模块，提升了SAM的分割性能，无需手动提示，对医学图像分割具有高效和广泛的能力。
nnSAM在医学图像分割中有什么特点？
nnSAM将基础模型和领域特定模型相结合，在医学图像分割中提供了更准确、更健壮的解决方案，并允许少样本学习。
AutoSAM Adapter如何实现3D医学图像分割？
AutoSAM Adapter是一种用于3D多器官CT分割的新方法，通过自动提示学习范式促进SAM模型能力向3D医学图像分割的转变，消除了手动生成提示的需求，并成功将知识传递给其他轻量级模型，实现了最先进的性能。
