生物医学图像分割基础模型综述

生物医学图像分析的最新进展在很大程度上是由 Segment Anything Model (SAM) 推动的。这项最初为通用计算机视觉开发的变革性技术，已在医学图像处理中得到了快速应用。在过去一年中，超过100篇的出版物证明了 SAM 在医学成像零样本学习适应方面的能力。SAM 的基本前提在于其能够在没有物体类型或成像模态先验知识的情况下分割或识别图像中的物体。这种方法与人类视觉系统可完成的任务非常契合，尽管其在非生物视觉环境中的应用在理论上仍更具挑战性。SAM 的一个显著特点是能够根据指定的分辨率尺度或感兴趣区域调整分割，类似于语义启动。这种适应性激发了将 SAM 应用于医学成像的创造与创新浪潮。我们的综述聚焦于 2023 年 4 月 1 日至 2023 年 9 月 30 日这一关键的首个六个月时期，即初始发表之后。我们考察了为解决长期存在的临床挑战而对 SAM 进行的必要调整与整合，特别是在我们分析所涵盖的 33 个开放数据集的背景下。虽然 SAM 在众多应用中接近或达到了最先进的性能，但在某些领域仍存在不足，例如颈动脉、肾上腺、视神经和下颌骨的分割。我们的综述深入探讨了 SAM 基础方法表现出色的创新技术，并探索了在多样化医学成像场景中有效转化和应用这些模型的核心概念。