SAM & SAM 2 in 3D Slicer: SegmentWithSAM Extension for Annotating Medical Images

创建3D医学数据的注释是耗时的，通常需要高度专业化的专业知识。已经实现了各种工具来帮助这个过程。Segment Anything Model 2（SAM 2）提供了一个通用的基于提示的分割算法，旨在注释视频。在本文中，我们将这个模型改编为注释3D医学图像，并以扩展的形式提供我们的实现，即流行的注释软件3D Slicer。我们的扩展允许用户在2D切片上放置点提示来生成注释掩模，并以单向或双向方式在整个体积中传播这些注释。我们的代码可以在https://github.com/mazurowski-lab/SlicerSegmentWithSAM上公开获取，并且可以直接从3D Slicer的扩展管理器中轻松安装。

本文旨在解决3D医学数据的注释问题，提供一种基于SAM 2算法的注释方法，并在3D Slicer软件中实现该方法的扩展。

本文将SAM 2算法应用于3D医学图像的注释，通过在2D切片上放置点提示生成注释掩模，并以单向或双向方式在整个体积中传播这些注释。

本文提供了一个适用于3D医学图像注释的新方法，并在3D Slicer软件中实现了该方法的扩展。作者公开了代码并提供了可在扩展管理器中直接安装的方式。实验设计合理，使用了公开数据集进行验证。

在相关研究中，也有一些基于深度学习的3D医学图像注释方法，例如："Automatic Liver and Tumor Segmentation of CT and MRI Volumes Using Cascaded Fully Convolutional Neural Networks"（2018）和"V-net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation"（2016）。