SAM
Parent: ai_keywords
核心定义
SAM（Segment Anything Model） 是 Meta AI 于 2023 年发布的通用图像分割基础模型，通过海量数据预训练，可在无需微调的情况下对任意图像中的任意目标进行零样本（zero-shot）分割。其核心能力在于接受点、框、掩码等可交互的“提示”（prompt），并实时输出高质量分割结果，打破了传统分割模型依赖特定任务数据集的局限。
关键技术点
- 海量数据驱动：基于包含 1100 万张图像、10 亿掩码的 SA-1B 数据集 进行预训练，覆盖了自然界和医学场景的广泛类别。
- 提示性分割架构：由图像编码器（ViT）、提示编码器与轻量级掩码解码器组成。用户通过点、框或文本（扩展后）提供提示，解码器动态生成对应掩码。
- 零样本泛化能力：训练过程未见过特定医学图像（如 MRI、CT），但凭借对形状、边界和上下文的理解，可直接分割病灶或解剖结构，无需额外标注。
- 交互式实时修正：支持多轮提示反馈，用户可添加/移除点来精调分割边界，适用于需要人机协同的临床场景。
医学/神经科学应用场景（首都医科大学背景）
在首都医科大学神经病学研究中，SAM 被用于脑卒中急性期 MRI 病灶的快速分割。以 DWI（弥散加权成像）序列为例，缺血核心呈高信号，而缺血半暗带边界模糊。传统分割依赖专家手动勾勒或 U-Net 等专用模型，耗时且受训练数据分布影响。SAM 可接受一个小框或若干点作为提示，在零样本条件下直接分割出脑梗死区域；通过交互式修正，医生可实时调整边界以包含半暗带，30 秒内完成全脑病灶提取。该过程无需重新训练模型，对资源有限的基层医院尤为适用。此外，SAM 也被探索用于帕金森病 DBS 术前靶点（STN、GPi）的分割，利用 MRI 上的解剖提示点（如红核下缘）引导分割，辅助神经外科手术规划。
