TriSAM：用于 VEM 图像零样本皮层血管分割的三平面 SAM
内容提要
医学图像分割研究综述显示，SAM-Med3D通过大规模3D架构训练显著提升三维医学图像分割性能；SAM在脑MRI分割中优于BET，尤其适用于信号不均和损伤情况；对33个数据集的分析发现，SAM在颈动脉、肾上腺等分割上仍有不足；SAMIHS结合边界敏感损失用于颅内出血分割；MA-SAM适配体积和视频数据，在CT、MRI等任务中超越nnU-Net；MedSAM构建超20万掩膜数据集，DSC提升22.5%和17.6%。
延伸解读
SAM在医学图像分割中的进展与局限
文章综述了SAM在医学图像分割中的多项改进，如SAM-Med3D通过3D架构提升体积分割性能，MedSAM利用大规模数据集微调显著提高DSC。然而，对33个数据集的分析显示，SAM在颈动脉、肾上腺等分割上仍有不足，表明通用模型在特定解剖结构上仍需优化。
三维适配与多模态扩展
为应对医学数据的3D特性，MA-SAM通过注入3D适配器使2D主干提取第三维信息，在CT、MRI等任务上超越nnU-Net。类似地，SAM-Med3D和轻量级空间适配器方法也致力于高效捕捉体积空间模式，这些工作推动了SAM从2D向3D医学图像的迁移。
血管分割的挑战与基准建立
血管分割因结构复杂、解剖变异和数据集稀缺而困难。一项研究使用HiP CT成像和nnU-Net模型，在肾脏血管分割中取得0.82-0.88的clDice值，但大血管分割效果较差，细小血管连接性减弱。该研究旨在为不同成像模态的模型评估建立基准。
Q&A
SAM-Med3D 是什么？它和原始 SAM 相比有什么优势？
SAM-Med3D 是一种针对 3D 医学图像进行全面研究和修正的模型，通过在大规模数据集上训练全面的 3D 架构，提供了全面的性能评估。与原始 SAM 相比，它在三维体积医学图像的分割能力和效率上都有显著增强。
SAM 在脑部 MRI 分割中与 BET 相比表现如何？
研究发现，在信号不均匀、像素分辨率不同、或者损伤存在于脑和脑膜外侧部分等情况下，SAM 表现更佳，有望成为更准确、稳健和多用途的脑分割工具。
SAM 在哪些医学图像分割任务上还存在不足？
根据对 33 个开放数据集的分析，SAM 在颈动脉、肾上腺、视神经和下颌骨的分割上仍存在不足。
MA-SAM 是什么？它在医学图像分割任务中表现如何？
MA-SAM 是一种适用于各种体积和视频医学数据的模态无关 SAM 适应框架，通过在图像编码器的转换器块中注入 3D 适配器，使预训练的 2D 主干能够提取第三维信息。在四个医学图像分割任务上，使用 CT、MRI 和外科手术视频数据的 10 个公共数据集进行评估，结果显示，在不使用任何提示的情况下，MA-SAM 始终优于各种最先进的三维方法，在 CT 多器官分割、MRI 前列腺分割和外科手术场景分割的 Dice 指标上分别超过 nnU-Net 0.9%、2.6% 和 9.9%。
MedSAM 是什么？它取得了怎样的性能提升？
MedSAM 是第一次尝试将 SAM 的成功延伸到医学图像中，通过构建一个包含超过 200,000 个掩膜的大规模医学图像数据集，并开发了一种简单的微调方法，以适应普通医学图像分割。在 21 个 3D 分割任务和 9 个 2D 分割任务的全面实验中，展示了超过默认 SAM 模型的平均 Dice 相似系数 (DSC) 分别达到了 22.5% 和 17.6%。
SAMIHS 是什么？它用于什么任务？
SAMIHS 是一种基于 SAM 的参数高效微调方法，用于颅内出血分割，以提高其在模糊边界和低对比度高度不规则区域中的性能。它采用二元交叉熵损失和边界敏感损失的组合损失来增强对边界区域的识别能力。
