SAM升级！医学图像分割新突破！
想做医学图像分割，用SAM行不行？当然行！SAM拥有优秀的泛化能力，是解决临床痛点（医学图像标注难）的利器，需求刚性，实际应用价值显著！
学术创新方面，SAM+医学图像分割技术天花板高，可探索空间大。近半年，这方向在CVPR 2025、IEEE TMI等顶会顶刊也陆续发表了相当多的成果（比如一种升级版SAM实现半监督医学图像分割），足见认可度之高！
这些成果主要涉及高效微调、提示优化（没数据可冲）、数据增强、多模态扩展等创新方向，趋势明显，未来可能无需颠覆SAM，通过“微创新”解决医疗场景特定问题，就可尝试高水平论文。
本文整理了15篇SAM+医学图像分割前沿论文，都是今年最新，也有代码，方便各位快速上车，助力大家产出满意的成果。
全部论文+开源代码需要的同学看文末
Enhancing SAM with Efficient Prompting and Preference Optimization for Semi-supervised Medical Image Segmentation
方法：该论文提出增强SAM的框架，通过无监督生成高效提示，结合直接偏好优化技术，在半监督医学图像分割（如肺、乳腺肿瘤、器官分割）中表现出色，尤其适用于低注释数据场景。
创新点：
-
提出无监督高效提示策略，为SAM-Med2D框架提供位置、语义及疾病特征信息，减少人工标注依赖。
-
引入基于直接偏好优化的损失函数，通过模拟人类反馈实现半监督优化，无需显式奖励函数。
-
整合多模态模型提取的多维度信息作为提示，结合偏好优化，提升低标注数据下的医学分割性能。
SAMed-2: Selective Memory Enhanced Medical Segment Anything Model
方法：SAMed-2基于SAM-2架构，为医学图像分割加入时间适配器以捕捉时间关联，并通过置信驱动的记忆机制存储和检索高置信度特征，来应对医学数据噪声和多任务场景下的遗忘问题，在MedBank-100k数据集上性能领先。
创新点：
-
推出SAMed-2，系基于SAM-2架构拓展的医学图像分割专用基础模型。
-
采用置信驱动记忆机制，借由选择性存取高置信度特征，应对噪声数据、缓解灾难性遗忘问题。
-
打造MedBank-100k大规模数据集，含多元成像模态与解剖区域，支撑训练及基准测评。
Self-Prompt SAM: Medical Image Segmentation via Automatic Prompt SAM Adaptation
方法：Self-Prompt-SAM基于SAM，通过多尺度提示生成器自动生成框和点提示，加入3D深度融合适配器让2D SAM适应3D医学图像，实现无需手动提示的医学图像分割，性能优于现有方法。
创新点：
-
推出Self-Prompt-SAM框架，属首个免手动提示、基于SAM的医学图像分割方案。
-
创设多尺度分层提示生成器，依图像编码器多级特征产辅助掩码作提示，经实验证边界框、欧氏距变候选点与掩码组合为最优提示形式。
-
研制深度融合适配器，赋能预训练2D SAM模型提取3D信息，适配3D医学图像分割需求。
SSS: Semi-Supervised SAM-2 with Efficient Prompting for Medical Imaging Segmentation
方法：SSS基于SAM-2，引入判别性特征增强机制优化显著区域，结合物理约束与滑动窗口的提示生成器为未标记数据生成提示，增强医学图像分割的特征支持，在多个数据集上表现优异。
创新点：
-
基于 SAM-2 架构提出 SSS 半监督学习方法，用于医学图像分割任务。
-
引入判别性特征增强机制，通过多尺度增强挖掘特征的相似性与差异性，优化显著区域。
-
开发结合物理约束与滑动窗口的提示生成器，为未标记数据生成输入提示，满足 SAM-2 对提示的需求。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“222”获取全部方案+开源代码
码字不易，欢迎大家点赞评论收藏
