1) 深入剖析：核心方法與圖示（Figure）逐一對應

1.1 單點三維提示的任務設定（Figure 1）

• 論文首先將3D交互式分割的提示形式從“2D逐片（每片1點，共N點）”切換為“體素級單點（1個3D點）”。Figure 1直觀對比了 SAM（2D）/SAM-Med2D 與 SAM-Med3D（1點/體） 的差異：前兩者對體數據需 N 個逐片點，而 SAM-Med3D 對整卷僅需一個三維點，顯著減少交互負擔。
• 圖中還標注了軸位/冠狀/矢狀多視角展示，強調體素級提示對整體三維空間一致性的正向作用。
  

1.2 訓練數據與規模（Figure 2）

• 為支撐“通用型”能力，作者構建了 SA-Med3D-140K：共 22K 體數據、143K 3D mask、245 類別，來源于 70 個公開與 24 個私有數據集（并輔以清洗與歧義消解流程；見圖中流程與詞云示意）。
• Figure 2(b) 對比了該數據與 AMOS、TotalSegmentator、BraTS 等常用集的數量級差異，凸顯其“大而全”的覆蓋面。
  

1.3 端到端純三維架構（Figure 3）

Figure 3 給出了 SAM-Med3D 的三維化 ViT 架構：由 3D 圖像編碼器、3D 提示編碼器、3D 掩碼解碼器三部分組成，并在各處使用 3D 絕對位置編碼（3D Abs PE）、3D 多頭自注意力（MSA）、3D MLP / 3D LayerNorm / 3D Conv 等三維算子，以原生三維方式建模體空間關系。

• 3D 圖像編碼器：將 [H, W, D] 體數據分塊嵌入后，經堆疊的 3D 自注意力 + 3D MLP 模塊提取三維上下文特征（圖中“3D Attention Block”“Transformer Block×2”“3D MLP×2”等標注）。
• 3D 提示編碼器：把 3D 點 (x,y,z) 編為提示向量，配合 Q/K/V 與 3D 相對/絕對位置編碼，使提示與體特征在三維空間對齊（圖中“3D Rel/Abs PE”“Q K V”“Prompt Embeddings”）。
• 3D 掩碼解碼器：接收圖像/提示特征，輸出體素級 mask（圖中“3D Mask Decoder / Mask / Prediction”），完成少點交互→三維掩碼的映射。
• 設計動機：作者比較了三種將 SAM 遷移到3D的方式（逐片聚合；2D主干+3D adapter；純3D從頭訓練）。表2 的預實驗結論是：adapter 在“