MedSam是一款醫學圖像分割工具，可自動識別和描繪醫學圖像中的重要區域，例如其他組織中的腫瘤或病變。
通過學習大量醫學圖像和相應的掩模（即正確的分割結果），它能夠處理各種不同的醫學圖像和複雜的情況。
它可以幫助醫生更快、更準確地診斷疾病。
MedSam基於深度學習技術開發，在現有分割基本模型Sam的基礎上進行了改進和微調。
接受過超過100萬個醫學圖像面罩對的大型數據集培訓，涵蓋10種成像方式、30多種癌症類型和多種成像協議。
MedSam已發表在《自然通訊》上。
MedSAM的詳細功能分析：
1.通用醫學圖像分割
廣泛的應用：MedSam可以處理多種醫學圖像分割任務，適用於多種不同的解剖結構和病理狀況，例如腫瘤、器官、組織等。
兼容多種成像方式：它不僅支持CT（計算機斷層掃描）和MRI（磁共振成像）等常見成像方式，還可以處理來自超聲、內窺鏡檢查和其他成像方式的圖像。
全面覆蓋：能夠識別和分割各種複雜形狀和尺寸的醫學圖像目標，提供全面的醫學圖像分析。
2.高度適應性
靈活應對各種變化：無論是成像技術的變化、不同的解剖特徵，還是病理狀況的多樣性，MedSam都能準確適應。
治療多種病理狀況：從常見病變到罕見病理狀態，MedSam能夠有效識別和分割，支持醫學研究和臨床診斷。
適應不同的成像條件：對不同成像設備或技術生成的圖像具有良好的適應性，能夠保持分割的準確性和一致性。
3.交互式分割
用戶引導的精確分割：用戶可以通過繪製邊界框等標記感興趣的區域，MedSam相應地執行準確的分割。
提高分割準確性：這種交互式方法有助於提高分割準確性，尤其是在複雜或模糊區域的處理中。
增強的適用性：通過用戶直觀的輸入，MedSam能夠更好地理解和執行特定的醫學圖像分割任務，增強其在實際應用中的適用性和靈活性。
MedSam實驗結果：
1.內部驗證：
86個內部驗證任務：MedSam在由86個不同任務組成的測試集上進行了測試，涵蓋了醫學圖像分割的各種場景。
優於現有型號：在這些測試中，MedSam的表現始終優於目前市場上最先進的醫學圖像分割模型。
魯棒性：MedSam具有良好的魯棒性，即在不同的任務和條件下保持穩定、高效的分割性能。
2.外部驗證
60個外部驗證任務：對另外60個任務執行了外部驗證，包括MedSam之前未觸及的新數據集和分割目標。
展示概括能力：在這些新挑戰中，MedSam展示了其出色的概括能力，能夠有效處理未知或未見數據和分割任務。
3.與專家模型的比較
兼容或優於專業模型：當MedSam的性能與專門針對相同成像模式（例如CT、MRI）訓練的專業模型的性能進行比較時，MedSam不僅表現與這些模型相當，而且在某些情況下甚至優於它們。
性質：https://nature.com/articles/s41467-024-44824-z
紙張：https://arxiv.org/abs/2304.12306
GitHub：https://github.com/bowang-lab/MedSAM
他們還開發了一種輕量級型號LiteMedSam，該型號在保持準確性的同時將速度提高了10倍。
視頻：