该文章介绍了一种名为MA-SAM的适应框架，用于处理医学数据。通过注入3D适配器，该框架使得2D主干能够从输入数据中提取第三维信息。在四个医学图像分割任务上评估，结果显示该方法优于最先进的三维方法。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%。在使用提示时，该模型也表现出强大的泛化能力，并在肿瘤分割任务中表现出色。

该文章介绍了一种名为MA-SAM的适应框架，用于处理医学图像数据。通过注入3D适配器，使得2D主干可以从输入数据中提取第三维信息。在四个医学图像分割任务上评估，结果显示该方法在不使用提示的情况下表现优于其他三维方法，Dice指标分别超过了nnU-Net的0.9%、2.6%和9.9%。在使用提示时，该模型也表现出强大的泛化能力，并在肿瘤分割任务中表现出色。

该文章介绍了MA-SAM适应框架，用于处理医学数据。通过注入3D适配器，使2D主干提取第三维信息。在医学图像分割任务上评估，结果显示该方法在不使用提示时表现优于其他三维方法，使用提示时也具有强大的泛化能力。

该文介绍了一种名为MA-SAM的医学图像分割方法，使用了3D适配器注入2D主干，从而提取第三维信息。在10个公共数据集上评估，结果表明该方法始终优于其他三维方法。在肿瘤分割任务中表现出色。