SAM3D: Zero-Shot Semi-Automatic Segmentation in 3D Medical Images with the Segment Anything Model

我们介绍了SAM3D，这是一种新的半自动零样本三维图像分割方法，建立在现有的“分割任何东西模型”基础上。我们采用四步策略实现了快速准确的三维图像分割，包括：沿非正交轴进行体积切片，三维高效提示，使用预训练的SAM进行逐层推理，以及在三维中重新组合和细化。我们在各种成像模式和解剖结构上定性评估了SAM3D的性能，并量化了身体CT中特定器官和脑MRI中的肿瘤的性能。通过使用户能够快速创建未见数据的三维分割，并大大减少手动输入，这些方法有助于手术规划和教育、诊断成像和科学研究。

SAM3D试图通过半自动零-shot分割来解决3D图像分割的问题。该方法旨在通过减少手动输入的量来快速准确地创建未见过数据的3D分割。

SAM3D的关键思路是采用四步策略：非正交轴上的体积切片、高效的3D提示、使用预训练的SAM进行切片推理、以及在3D中重新组合和细化。

论文在多个成像模态和解剖结构上定性评估了SAM3D的性能，并量化了身体CT器官和脑MRI肿瘤的性能。该方法可以帮助手术规划和教育、诊断成像和科学研究。论文还提供了开源代码。

最近的相关研究包括：'Segment Anything: An Advanced Technique for Medical Image Segmentation'，'Deep Learning for Medical Image Segmentation: A Review'等。