分割一切模型（SAM）在医学图像分割中的应用

作     者：吴曈 胡浩基 冯洋 罗琼 徐栋 郑伟增 金能 杨琛 姚劲草 

作者机构：浙江大学信息与电子工程学院 浙江大学医学院附属妇产科医院放射科 浙江大学医学院附属妇产科医院产科 浙江省肿瘤医院 浙江大学医学院附属妇产科产科 天使研究院上海时代天使医疗器械有限公司 中国科学院杭州医学研究所 浙江大学伊利诺伊大学厄巴纳香槟校区联合学院 

出 版 物：《中国激光》 (Chinese Journal of Lasers)

年 卷 期：2024年

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0836[工学-生物工程] 

基　　金：国家自然科学基金(Grant No.U21B2004,62106222) 浙江省重点研发计划(Grant No.2021C01119) 浙江省自然科学基金(Grant No.LZ23F020008) 浙江大学-时代天使智慧健康研究项目 

主　　题：综述 分割一切模型 医学图像分割 基础模型 深度学习 

摘      要：医学图像分割是计算机辅助医疗流程的关键步骤，精准的医学图像分割可以为诊断与治疗提供帮助。分割一切模型（Segment Anything Model, SAM）的出现，为医学图像分割提出了与神经网络不同的新方向，即利用以提示驱动的基础大模型进行下游的分割任务。而SAM作为以自然图像为基础的模型，对医学图像的处理效果有待提高。本文介绍了SAM在医学图像上直接应用的效果并总结了将SAM适应到医学图像分割任务的各项工作，与此同时，本文在乳腺肿瘤数据集与孕妇骨盆数据集上进行了两个实验，验证了大模型经过大量数据微调后将更好地发挥泛化能力，半监督网络与SAM结合生成高质量的伪标签能够有效提升分割效果。虽然目前SAM在医学图像分割领域已取得较好效果，但进一步提升仍有困难，文章分析了SAM面临的挑战并讨论了SAM在医学图像分割中的潜在发展方向，有助于医疗分割领域的进步。