Medsam
PulseAugur coverage of Medsam — every cluster mentioning Medsam across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。