用于医学图像分割的 Segment Anything Model：当前应用与未来方向
图像与视频处理
2024-01-09 v1 计算机视觉与模式识别
摘要
由于提示 (prompting) 固有的灵活性，基础模型已成为自然语言处理和计算机视觉领域的主导力量。最近推出的 Segment Anything Model (SAM) 标志着提示驱动范式向图像分割领域的显著扩展，从而引入了大量此前未探索的能力。然而，鉴于自然图像与医学图像之间的巨大差异，其在医学图像分割中应用的可行性仍不确定。在这项工作中，我们全面概述了近期旨在将 SAM 的有效性扩展至医学图像分割任务的努力，涵盖实证基准测试和方法论适应。此外，我们探讨了 SAM 在医学图像分割中角色的潜在未来研究方向。虽然目前直接将 SAM 应用于医学图像分割在多模态和多目标医学数据集上尚未产生令人满意的性能，但从这些努力中获得的众多见解为塑造医学图像分析领域基础模型的发展轨迹提供了宝贵指导。为了支持持续的研究工作，我们维护着一个活跃的仓库，其中包含最新的论文列表和开源项目的简要总结，地址为 https://github.com/YichiZhang98/SAM4MIS。
引用
@article{arxiv.2401.03495,
title = {Segment Anything Model for Medical Image Segmentation: Current Applications and Future Directions},
author = {Yichi Zhang and Zhenrong Shen and Rushi Jiao},
journal= {arXiv preprint arXiv:2401.03495},
year = {2024}
}