近年来，医学图像分割领域迎来了重大的技术突破，而 Segment Anything Model (SAM) 的出现，成为了研究人员的“必试之选”。SAM 的强大功能不仅推动了医学图像分割的精度提升，还激发了大量创新性的研究方向。无论是交互式分割、少样本学习，还是高效的3D分割应用，SAM 的变体都在不断地为临床诊断提供更精准、更高效的解决方案。

今天，我们整理了 20篇来自顶会顶刊的前沿论文，这些论文展示了如何通过优化 SAM 模型，进一步提升医学图像分割的性能。从自动化提示生成到跨域适应，再到隐私保护的联邦学习，这些创新成果无疑将对医学图像分析的未来发展产生深远影响。以下，我们将带您深入分析每篇论文的核心创新与方法，帮助您把握这一领域的最新动态。

1. Self-Prompt SAM: Medical Image Segmentation via Automatic Prompt SAM Adaptation

• 方法：本文提出了一种名为 Self-Prompt-SAM 的框架，将 SAM 应用于医学图像分割。该方法通过多尺度提示生成器自动生成提示（如边界框和点），无需人工提供额外提示。同时，设计了 3D 深度融合适配器，使得 2D SAM 模型能够处理 3D 医学图像。

• 创新点：

  • 提出了 Self-Prompt-SAM 框架，无需手动提供额外提示即可自动分割医学图像。

  • 设计了多尺度提示生成器，与 SAM 图像编码器结合生成辅助掩码，进而生成边界框和点作为提示。

  • 引入 3D 深度融合适配器，将其注入 SAM 图像编码器和掩码解码器中，使 2D SAM 模型能够提取 3D 信息，适应 3D 医学图像分割任务。

2. Learnable Prompting SAM-induced Knowledge Distillation for Semi-supervised Medical Image Segmentation

• 方法：本文提出了 SAMed 方法，利用医学图像的标注信息生成提示（如点提示或框提示），并将这些提示输入到 SAM 中，从而实现对医学图像的自动分割。

• 创新点：

  • 提出了 SAMed 方法，利用医学图像标注信息生成提示，无需手动标注即可进行分割。

  • 将标注信息转换为点或框提示，有效引导 SAM 模型完成医学图像分割任务。

  • 在多个医学图像数据集上验证了方法的有效性，证明其在自动分割中的高效性和准确性。

3. Enhancing SAM with Efficient Prompting and Preference Optimization for Semi-supervised Medical Image Segmentation

• 方法：本文提出了一种增强版的 SAM 方法，利用 BiomedCLIP、MedVInT 和 GPT-4 生成无监督视觉与文本提示供 SAM-Med2D 使用，减少人工干预。采用 DPO（直接偏好优化）设计损失函数，用于模拟人工对分割候选评级，并进行优化训练。

• 创新点：

  • 结合 BiomedCLIP 生成视觉提示，MedVInT 与 GPT-4 生成文本提示，为 SAM 提供无监督多维度提示，减少人工干预。

  • 利用 DPO 优化损失函数，模拟人工对分割候选评级，无需单独奖励模型即可优化模型。

  • 提出的增强 SAM 框架在低标注多模态医学图像分割中优于传统模型（如 U-Net 和 SAM-Med2D）。

4. AutoProSAM: Automated Prompting SAM for 3D Multi-Organ Segmentation

• 方法：本文提出了 AutoProSAM 方法，优化了 SAM 用于 3D 医学图像分割。通过改造 SAM 的 2D 架构以适配 3D 数据，采用自动提示生成器替代人工提示，并优化掩码解码器（3D 卷积 + 多层聚合）来提高多模态 3D 医学图像分割的精度。

• 创新点：

  • 提出了自动提示生成器，从 SAM 编码器特征图自动生成提示，无需人工干预，简化了 3D 医学图像分割流程。

  • 用参数高效微调改造 SAM 的 2D 架构，使其适配 3D 医学图像，且仅微调少量参数。

  • 优化了 SAM 掩码解码器，替换 2D 卷积为 3D 卷积，加入多层聚合机制，提升了小器官、低对比度医学图像的分割精度。