《生物医学图像分割的基础模型》综述

最近在生物医学图像分析领域的进展显著受到了“分割任何模型”（Segment Anything Model，简称SAM）的推动。这种变革性技术，最初是为通用计算机视觉开发的，迅速在医学图像处理中找到了应用。在过去的一年里，SAM在零样本学习（zero-shot learning）适应医学成像方面展示了其能力，这一时期发表了超过100篇相关论文。SAM的基本前提在于其能够在不了解物体类型或成像方式的情况下，对图像中的物体进行分割或识别。这种方法与人类视觉系统能够实现的任务相契合，尽管在非生物视觉背景下的应用在理论上仍然更具挑战性。SAM的一个显著特点是其能够根据指定的分辨率尺度或感兴趣区域调整分割，类似于语义引导。这种适应性激发了在医学成像应用中的创造性和创新浪潮。 我们的综述聚焦于2023年4月1日至2023年9月30日这个关键的首六个月期间。我们审视了SAM必要的适应和整合，以应对长期存在的临床挑战，尤其是在我们分析中涵盖的33个开放数据集的背景下。尽管在许多应用中SAM达到或接近了最先进的性能，但在某些领域，如颈动脉、肾上腺、视神经和下颌骨的分割方面，它还存在不足。我们的综述深入探讨了SAM的基础方法在哪些创新技术上表现出色，并探索了在不同医学成像场景中有效转化和应用这些模型的核心概念。

在生物医学图像分析领域快速发展的背景下，“分割任何模型”（Segment Anything Model，简称SAM）已经成为一种改变范式的技术。最初为通用计算机视觉所构想的SAM，迅速在医学图像处理领域发挥了重要作用。这项综述深入探讨了SAM在生物医学成像中的应用和适应情况，特别强调过去一年中其在学术研究中的显著增长。 SAM最引人注目的特点之一是其能够在不需要事先了解物体类型或成像方式的情况下，分割医学图像中的物体。这一能力在生物医学成像领域至关重要，准确分割各种解剖结构和病理状态至关重要。SAM的方法论呼应了人类视觉系统在物体识别和分割方面的适应性，标志着计算图像分析的重大进步。 我们的综述集中于2023年4月1日至2023年9月30日这一时期。这六个月是SAM首次发布后的关键发展阶段，其特点是广泛适应和整合SAM，以应对长期存在的临床挑战，尤其是在开放数据集的背景下。我们的分析涵盖了33个这样的数据集，提供了SAM在这一动态领域的尖端应用的全面评估。 此外，我们对SAM在当前表现不佳的领域进行了批判性评估，包括复杂解剖区域如颈动脉、肾上腺、视神经和下颌骨的分割。这项调查旨在突出目前的局限性，并识别未来提升SAM技术的潜在领域。 这项综述还探讨了SAM的基础方法在哪些创新技术上表现出色。我们深入探讨了在不同医学成像场景中有效转化和应用这些模型的基本概念。我们的目标是描述SAM在生物医学成像中的应用现状，并为未来研究提供战略方向。 总之，随着SAM在生物医学成像领域的推进，其多方面的影响日益明显。除了在图像分割方面的技术能力外，SAM还代表着跨学科合作的典范，融合了计算机科学、医学和数据分析的前沿。这项综述不仅突出了SAM的技术成就，也强调了它作为重定义医学研究范式的催化剂的角色。通过考察SAM在不同医学领域的整合，我们提供了这项技术如何重塑诊断方法、提升患者护理和开辟个性化医学新途径的见解。我们对SAM在不同医学背景下的应用的探索不仅是学术上的练习，而且是AI在医疗保健中变革潜力的证明，为未来可能进一步改变该领域的创新提供了路线图。