基于基础模型的生物医学图像分割：综述
内容提要
本文综述了SAM在医学图像分割中的应用。SAM作为通用基础模型，零样本分割在自然图像中表现优异，但直接用于医学图像效果有限，准确度不及U-Net等模型，且受任务和数据集影响较大。其生成的掩膜、特征和稳定性分数可用于增强U-Net等模型，有限微调即可明显改进，在交互式分割中也是有力的注释工具。未来需进一步研究以适应医学图像领域。
延伸解读
SAM在医学图像中的零样本局限
综述指出，SAM作为通用基础模型，在自然图像零样本分割中表现优异，但直接用于医学图像时准确度不及U-Net等专用模型，且性能受任务和数据集影响较大。尤其在结构性目标上存在明显局限，说明通用模型不能简单替代医学领域模型，需结合领域数据重新评估。
利用SAM增强现有分割模型
尽管SAM直接分割效果有限，但其生成的掩膜、特征和稳定性分数可用于构建和训练更好的医学图像分割模型。实验表明，用SAM增强U-Net等常用模型在两个数据集上有效，且有限微调即可带来明显改进。这提示SAM可作为辅助工具，而非独立解决方案。
交互式分割中的注释价值
综述强调，SAM在交互式医学图像分割领域是一个有力的注释工具。虽然其自动分割能力较弱，但结合手动提示可提升表现，有望推动半自动分割工具的发展。对于需要大量标注的医学数据，SAM可降低人工成本，但需注意其仍需人工干预。
未来研究方向与挑战
综述认为，未来需进一步研究使SAM适应医学图像领域。当前性能受任务和数据集影响较大，且在不同器官、模态和健康状态下表现不一。通用基础模型在医学领域的多功能性已显现，但需通过微调和领域适配来应对复杂挑战，获取多样医学数据集仍是关键。
Q&A
SAM在医学图像分割中的直接零样本表现如何？
SAM在自然图像中零样本分割表现优异，但直接用于医学图像时效果有限，准确度不及U-Net等深度学习模型，且性能受任务和数据集影响较大。
SAM可以怎样辅助提升医学图像分割模型？
SAM生成的掩膜、特征和稳定性分数可用于构建和训练更好的医学图像分割模型，例如增强U-Net，实验表明有限微调即可带来明显改进。
SAM在医学图像交互式分割中有什么用途？
SAM在交互式医学图像分割领域是一个有力的注释工具，可以辅助人工标注，提升标注效率。
SAM在医学图像分割中面临哪些主要挑战？
主要挑战包括：直接应用时准确度不高，性能受任务和数据集影响大，在结构性目标上存在局限性，需要进一步研究以适应医学图像领域。
微调SAM对医学图像分割效果有何影响？
针对医学图像进行数量有限的微调可以带来明显的改进，表明通用视觉基础模型通过微调可以应对医学领域的复杂挑战。
SAM在CT数据上的零样本分割表现如何？
初步评估表明，SAM可以很好地适应CT数据，有望成为半自动分割工具的推手，并作为医学领域其他适应性研究的良好出发点。
