医学图像分割再次登上 Nature communications，这次直接分割一切医学图像！
MedSAM 是一种改进的基础模型，可显著增强 SAM 在医学图像上的分割性能。
并且该模型已经开源
论文地址：
https://www.nature.com/articles/s41467-024-44824-z#Sec2
项目地址：
https://github.com/bowang-lab/MedSAM
MedSAM是在一个大规模医学图像数据集上开发的，该数据集包含 1,570,263 个图像掩模对，涵盖 10 种成像模式和 30 多种癌症类型。
作者通过内部验证和外部验证评估了 MedSAM。（内部验证包含 86 个分割任务，外部验证包括 60 个分割任务）
结果表明 MedSAM 在大多数任务上都排名第一，超过了 U-Net 和DeepLabV3+ 等专业模型的性能，而基础模型 sam 几乎所有任务都是垫底。
这意味着医学图像分割落地应用的可行性，也证明这个领域在接下来的很长时间中都会是热门研究领域。
这篇论文的中英双语版和医学图像分割顶会论文集和AI医学教程书，为了避免添加人数过多出现频繁，大家可以随便添加一个小助手，让她发给你。
并且 MedSAM 还可以提升标注效率，作者进行了人工注释研究来评估两个管道的时间成本。
对于第一个管道，两名人类专家以逐片方式手动注释 3D 肾上腺肿瘤。
对于第二条流程，专家们首先每隔3-10片用线性标记（初始标记）绘制肿瘤长轴和短轴，这是肿瘤反应评估的常见做法。
然后，使用 MedSAM 根据这些稀疏线性注释对肿瘤进行分割。
结果表明，在 MedSAM 的帮助下，两位专家的注释时间分别大幅减少了 82.37% 和 82.95%。
尽管 MedSAM 拥有强大的功能，但它也存在一定的局限性。
但是这些限制并没有削弱 MedSAM 的实用性，具体信息大家可以仔细阅读原文。
如果喜欢本篇的内容记得点点再看，并把他转发到你的朋友圈。请永远不要停止学习，这是你武装自己对抗这个世界最有力的武器！
