Medsam
PulseAugur coverage of Medsam — every cluster mentioning Medsam across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
研究发现 MedSAM 适应会损害分布外性能
一项新的研究论文探讨了如何为医学图像分割调整 MedSAM 等基础模型，可能会无意中损害其在分布外 (OOD) 数据上的性能。该研究在 ISIC 2018 数据集上测试了六种适应策略，包括完全微调和参数高效方法，如 LoRA 和视觉提示调优。研究人员发现，虽然适应可以提高在分布内和接近分布外数据上的性能，但它通常会降低在远离分布外数据上的性能，而完全微调提供了最佳的权衡。该论文认为，解码器表征漂移是导致 OOD 性能下降的关键因素，并…
-
VesselBridge3D框架适应基础模型以实现低数据3D血管分割
研究人员开发了VesselBridge3D，一个旨在改进医学影像中3D血管分割的新框架，特别是在数据稀疏的情况下。该框架使用轻量级3D适应模块来适应现有的基础模型，如DINOv3、MedSAM和MedGemma。VesselBridge3D展示了显著的性能提升，在仅有五个训练样本的情况下，比最先进的方法提高了30%，并在应对域偏移方面表现出卓越的鲁棒性。
-
MedSAM 实现微超声前列腺零样本分割
研究人员开发了一种新颖的零样本流程，使用 MedSAM 基础模型对高频微超声图像中的前列腺边界进行分割。该方法旨在通过克服常规超声的局限性以及微超声中的声斑带来的挑战，来改善前列腺癌的早期检测。该流程将 MedSAM 与 CLAHE 和傅里叶平滑等图像增强技术相结合，证明了边界距离误差的显著降低，并实现了与非专业人工评估者相当的分割重叠度。
-
新的自适应提示框架改进了多器官超声分割
研究人员开发了BAP-MOS，一种用于多器官超声分割的新型框架，该框架解决了相邻结构和局部边界误差的挑战。该系统采用自适应提示策略，将提示选择视为一个特定器官的多臂老虎机问题。这种方法在微调过程中优化提示偏好，从而显著提高了分割精度，尤其是在边界敏感的任务中。
-
AI模型使用Vision Transformer进行喉癌筛查
研究人员开发了一种新的AI模型，使用Vision Transformer和注意力机制来分析NBI内窥镜图像以进行喉癌筛查。该模型表现出良好的分类性能，F1得分为82.72%，准确率为82.33%。为了协助临床医生，该系统采用了可解释性功能，利用MedSAM分割方法来突出相关的病理区域。
-
新框架ConceptSMILE审计AI概念解释的可靠性
研究人员开发了ConceptSMILE，这是一个新的模型无关框架，旨在审计人工智能中基于概念的解释的可靠性。该框架扩展了现有的基于扰动的逻辑，通过测量扰动输入区域后概念响应的变化来评估概念的可靠性。ConceptSMILE通过归因准确性、代理保真度、忠实性、稳定性和一致性等指标来评估解释。对视网膜眼底图像进行的初步评估，比较了MedSAM和视觉语言模型（VLM）导出的概念，表明不同概念和路径的可靠性各不相同。
-
新框架通过注入证据来对抗医学MLLM的幻觉
研究人员开发了一个新颖的、无需训练的框架，以增强医学多模态大语言模型（MLLM）的可信度。该系统名为协同感知-推理治理（Synergistic Perception-Reasoning Governance），通过在推理过程中注入可验证的解剖学证据来解决幻觉问题。它通过区域感兴趣（ROI）引导的激活调制来重新校准视觉感知，并通过将解剖学坐标映射到语义令牌来锚定文本推理。在多个数据集上使用各种MLLM进行的评估表明，准确性显著提高，幻觉大幅减少。
-
新AI框架将放射科医生语音转换为MRI肿瘤分割
研究人员开发了LoGSAM，一个用于脑部MRI扫描中脑肿瘤参数高效分割的新框架。该系统将放射科医生的口述转化为文本提示，以指导基础模型进行定位和分割。通过利用Whisper ASR、Grounding DINO和MedSAM等预训练模型，并进行最少的参数更新，LoGSAM在BRISC 2025数据集上取得了80.32%的Dice分数，接近完全微调模型的性能，同时使用的参数却少得多。该流程还展示了从德语口述中提取肿瘤特异性信息的高准确性。
-
新方法增强了皮肤病变医学图像分割
研究人员开发了PEFT-MedSAM，一种用于Medical Segment Anything Model (MedSAM) 的参数高效微调方法，以改进皮肤镜图像中皮肤病变的分割。该技术冻结了预训练的图像和提示编码器，仅训练轻量级的掩码解码器。在ISIC 2018数据集上的实验表明，PEFT-MedSAM实现了0.9411的Dice系数，优于完全训练的U-Net基线和零样本MedSAM推理。在PH2数据集上的进一步验证产生了0.946…
-
新AI框架无需昂贵遮罩即可分割眼部腺体
研究人员开发了TopoPult-SSL，一种用于分割不同临床成像设备上睑板腺的新型两阶段框架。第一阶段使用眼睑轮廓和形态比率等弱临床先验来调整现有模型，从而在初始训练期间无需昂贵的腺体遮罩。第二阶段在有遮罩可用时通过监督自蒸馏进行优化，在基准数据集上取得了有竞争力的结果。值得注意的是，无腺体遮罩的变体比其他分割模型显示出更高的精度，能够实际部署。
-
新型 AI 模型提升医学图像分割精度
研究人员开发了两种改进医学图像分割的新方法。一种方法通过添加轻量级边界框预测器来增强 MedSAM 模型，该预测器使用单击即可估算边界框，以最小的开销提高了在各种数据集上的准确性。另一种方法探索纯粹的 VRWKV 模型，引入了频率感知小波注意力和多尺度通道融合模块，即使参数更少，也能与现有方法相比取得具有竞争力或更优的性能。
-
医疗AI演进：智能体自动化工作流，模型掌握复杂推理
CVPR 2026 上展示的最新研究表明，医疗AI正从简单的图像识别转向更复杂的任务，如工作流优化和跨模态推理。研究正在探索能够自动适应现有工具以适应不同研究环境的AI智能体，以及用最少数据高效训练医学推理模型的方法。此外，在视觉-语言模型在专业领域的轻量级适应技术以及整合空间和语义理解的容积CT扫描基础模型开发方面也取得了进展。
-
新型Transformer模型提升医学图像分割能力
研究人员开发了SMAFormer，这是一种新的基于Transformer的架构，旨在改进医学图像分割，特别是针对小型和不规则形状的肿瘤。该模型集成了多种注意力机制，包括像素、通道和空间注意力，以捕捉局部和全局特征。此外，还引入了特征融合调制器，以增强注意力模块的集成并减轻信息损失。在各种医学成像任务上的实验表明，SMAFormer取得了最先进的结果。
-
新基准测试医疗AI模型鲁棒性
研究人员推出了MedFM-Robust，一个旨在评估医疗基础模型可靠性的新基准。该基准测试了LLaVA-Med和GPT-4o等视觉语言模型，以及MedSAM等分割模型。目标是确保这些先进的AI工具在真实的临床环境中能够可靠地运行。
-
MedCore 框架剪枝 MedSAM 以供临床使用
研究人员开发了 MedCore，一个旨在剪枝 MedSAM 等大型医学图像分割模型的新框架。该方法侧重于保留对准确医学诊断至关重要的关键结构和边界保真度。MedCore 在保持分割基准测试的高性能的同时，显著减小了模型大小和计算负载，使得这些强大的工具在临床上更易于使用。
-
CRC-SAM框架实现多模态结直肠癌分割
研究人员开发了CRC-SAM，一个用于分割CT、结肠镜和组织学等多种成像类型结直肠癌的新型框架。该系统基于MedSAM模型，并利用低秩适配（LoRA）技术进行高效迁移学习，以适应不同的医学成像领域。在多个数据集上的实验表明，CRC-SAM的性能优于现有方法，证明了轻量级适配基础模型在癌症分析中的有效性。
-
改进的MedSAM模型在脑组织分割中达到0.8751的Dice分数
研究人员已将MedSAM基础模型应用于多类别脑组织分割，特别是在MRI扫描中区分灰质和白质。他们的方法包括预处理MRI数据以创建标记切片，然后对MedSAM的提示编码器和解码器进行微调，同时保持图像编码器冻结。该改进模型在IXI数据集上达到了高达0.8751的Dice分数，展示了基础模型在复杂医学图像分析任务中的潜力。