医学 AI

MaLViL: Multi-axis Low-rank Vision-LSTM for Medical Image Segmentation

MaLViL：用于医学图像分割的多轴低秩视觉长短期记忆网络

Afshin Bozorgpour, Sina Ghorbani Kolahi, Moein Heidari, Ilker Hacihaliloglu, Dorit Merhof

机构 * Faculty of Informatics and Data Science, University of Regensburg（雷根斯堡大学信息学与数据科学学院） ； Independent Computer Science Researcher（独立计算机科学研究者） ； University of British Columbia（不列颠哥伦比亚大学） ； Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学梅维斯研究所） 纠错

专题命中 医学影像 ：medical image(title)；CT(abstract,abstract_cn)；分类 cs.CV

AI总结 针对现有视觉长短期记忆网络（ViL）用于医学图像分割时丢失精细细节、内存开销大的问题，提出MaLViL网络，结合Bi-LRViL、SaLViL、CDM、SGSM等模块，在多个医学图像基准上实现了最优或具竞争力的分割精度，内存降低最多83倍。

Comments Accepted at the MICCAI Workshop on Machine Learning in Medical Imaging (MLMI), 2026

Splat-based Metal Artifact Reduction in Cone-Beam CT via Polychromatic Modeling

基于多色建模的锥束CT中基于Splat的金属伪影减少方法

Kiseok Choi, Inchul Kim, Jaemin Cho, Hyeongjun Cho, Min H. Kim

机构 * KAIST（韩国科学技术院） 纠错

专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV

AI总结 提出一种集成多色X射线投影模型等的Gaussian Splatting框架，无需手动金属掩码，联合优化参数与光谱，发布相关数据集，在CBCT金属伪影减少上性能优于现有最优方法。

Journal ref Computer Graphics forum, Volume 45 (2026), Number 2

CoInS-Net: A Continuous Position-Aware Network for Joint Medical Image Interpolation and Segmentation

CoInS-Net：用于联合医学图像插值与分割的连续位置感知网络

Yujia Sun, Ningfeng Que, Peiting Shi, Rongrong Fu, Yingying Yang, Xinhang Li, Yin Dai

机构 * College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学与生物信息工程学院） 纠错

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 CoInS-Net是一种联合医学图像插值与分割的连续位置感知网络，通过双向交互实现两任务相互促进，在多数据集上优于传统单任务方案，为临床医学图像分析提供可靠通用技术。

DynoDINO: Harnessing Dynamic Latent Information from DINO Features for Multi-Phase Medical Image Segmentation

DynoDINO：利用DINO特征中的动态潜在信息进行多阶段医学图像分割

Yu-Pu Hsu, Jen-Jee Chen, Yu-Chee Tseng

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 DynoDINO是统一多阶段医学图像分割框架，通过切片级对齐、含混合注意力与自适应门控的多阶段融合模型，在三个数据集上提升了多阶段医学图像分割的边界与结构保真度。

Comments 21 pages, 8 figures, 14 tables

PanDent: Toward Comprehensive Tooth-Level Structure-Language Consistency in Dental Radiology

PanDent：面向牙科放射学中全面的牙级结构-语言一致性

Xiaohan Li, Xinyu Liu, Chang Liu, Sum Wing Au Yeung, Jun Liu, Yixuan Yuan, Hui Chen

机构 * Faculty of Dentistry, The University of Hong Kong（香港大学牙医学院） ； Imperial College London（帝国理工学院） ； University of Science and Technology of China（中国科学技术大学） ； Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系） ； Department of Electronic Engineering, The Chinese University of Hong Kong（香港中文大学电子工程系） 纠错

专题命中 医学影像 ：radiology(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 本研究推出PanDent牙科OPG基准，经实验发现现有MLLM生成的牙科报告流畅但临床一致性差，在PanDent上微调可提升其结构-语言一致性，该基准可用于评估MLLM的牙级临床推理能力。

AdaKAN: A dual-branch adaptive Kolmogorov-Arnold network for medical image segmentation

AdaKAN：用于医学图像分割的双分支自适应柯尔莫哥洛夫 - 阿诺德网络

Dalia Alzu'bi, Deep Bhattacharyya, Ali Ayub, A. Ben Hamza

机构 * Concordia University（康考迪亚大学） 纠错

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 针对医学图像分割难题，提出AdaKAN网络，它集成卷积操作与EffiKAN块，其含高效注意力机制和双分支AdaptKAN模块，采用U形架构与跳跃连接，在多医学成像数据集实验中分割精度达最优。

Journal ref Pattern Recognition Letters, 2026

Spatially Grounded Concept Bottleneck Models for Trustworthy Breast Ultrasound Diagnosis

用于可靠乳腺超声诊断的空间基础概念瓶颈模型

Moshiur Rahman Tonmoy, Dunren Che, Haitham Y. Adarbah, Afzel Noore

专题命中 医学影像 ：diagnosis(title,abstract)；healthcare AI(abstract)；分类 cs.CV

AI总结 研究乳腺超声诊断中概念瓶颈模型可信度受监督限制问题，提出空间基础概念瓶颈模型（SG-CBM），利用病变轮廓弱监督，通过导出特定区域训练概念图，经交叉验证等提升诊断指标与概念证据空间对齐，强调数据质量监督设计及可信度验证的必要。

Comments Accepted to the Workshop on Data Quality Aware, High-Performance, and Trustworthy AI Systems for Healthcare at IEEE/ACM CHASE 2026

SIINR: Structurally Informed Implicit Neural Representations for super-resolution with uncertainty quantification of clinical quality diffusion MRI datasets

SIINR：用于临床质量扩散MRI数据集超分辨率及不确定性量化的结构信息隐式神经表示

Tom Hendriks, William Consagra, Anna Vilanova, Yogesh Rathi, Maxime Chamberland

机构 * Eindhoven University of Technology（埃因霍温理工大学） ； University of South Carolina（南卡罗来纳大学） ； Brigham and Women’s Hospital, Harvard Medical School（布莱根妇女医院，哈佛医学院） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV

AI总结 针对临床dMRI数据集平面外分辨率低的问题，提出SIINR框架，利用监督3D U-net和自监督INR结合，实现超分辨率及不确定性量化，在多数据集和临床病例实验中表现优异，为临床dMRI增强及指标解释提供方法。

Comments 27 pages, 8 figures, 2 tables

Learning To Focus: Anatomy-Guided Attention Regularization for Medical Image Classification

学习聚焦：用于医学图像分类的解剖学引导注意力正则化

Tonmoy Hossain, Atiqur Rahman, Farhana Hossain Swarnali, Miaomiao Zhang

机构 * University of Virginia（弗吉尼亚大学） ； Ahsanullah University of Science and Technology（阿山努拉科技大学） ； University of Utah（犹他大学） 纠错

专题命中 医学影像 ：medical image(title,abstract)；MRI(abstract)；分类 cs.CV

AI总结 针对医学图像分类中标准分类损失缺乏空间监督的问题，提出Locus框架，利用预训练分割基础模型引导分类器关注诊断相关解剖结构，引入正则化项平衡注意力，在多数据集上验证，提升了分类性能和解剖学注意力。

Harrison.Rad 1.5 Technical Report: A radiology foundation model that can draft reports from images, priors and clinical context

哈里森.Rad 1.5技术报告：一种可根据图像、先验知识和临床背景起草报告的放射学基础模型

Suneeta Mall, Vladimir Nekrasov, Ashnil Kumar, Sajith Karunasena, Aiden Nibali, Alix Bird, Mateo Diaz Shine, Jarrel Seah

专题命中 医学影像 ：radiology(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 研究针对放射科报告积压问题，提出HR1.5多模态大语言模型，通过三阶段训练，用特定评分框架评估，该模型是唯一达模拟FRCR及格标准的系统，在多方面准确率最高，还研究了可解释性等以支持临床应用评估。

Beyond Random Sampling: Distribution-Aware Alignment for Semi-Supervised Medical Image Segmentation

超越随机采样：用于半监督医学图像分割的分布感知对齐

Weihao Yan, Yeqiang Qian, Yi Dong, Ming Yang

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Department of Ultrasound, Xinhua Hospital Affiliated to Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属新华医院超声科） 纠错

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 研究针对半监督医学图像分割中随机采样策略在低数据量时表征偏差的问题，提出基于分布对齐的高效框架，用分布感知样本选择策略和记忆引导复制粘贴模块，提升分割性能。

Comments 19 pages, 5 figures, accepted by ECCV 2026

Enhancing Implicit Neural Representations with Image Feature Embedding for Unsupervised Cardiac Cine MRI Reconstruction

利用图像特征嵌入增强隐式神经表示用于无监督心脏电影磁共振成像重建

Donghang Lyu, Marius Staring, Yiming Dong, Keupp Jochen, Hildo J. Lamb, Mariya Doneva

机构 * Division of Image Processing, Department of Radiology, Leiden University Medical Center（莱顿大学医学中心放射科图像处理部） ； C.J. Gorter Center, Department of Radiology, Leiden University Medical Center（莱顿大学医学中心放射科C.J. 戈特中心） ； Cardio Vascular Imaging Group, Department of Radiology, Leiden University Medical Center（莱顿大学医学中心放射科心血管成像组） ； Philips Innovative Technologies（飞利浦创新技术公司） 纠错

专题命中 医学影像 ：MRI(title,abstract)；分类 cs.CV

AI总结 研究针对心脏电影磁共振成像重建，提出图像域双分支INR框架I-FP-INR，通过引入特征处理分支提取互补特征嵌入增强表示，提升重建质量且具强鲁棒性。

Comments In submission

CPR: Chained Perceptual Refinement for Coarse-to-Fine Medical Image Classification

CPR：用于从粗到精医学图像分类的链式感知细化

Si-Yuan Lu, Hanruo Zhu, Ziquan Zhu, Gaojie Jin, Zeyu Fu, Lu Yin, Ke Li, Lu Liu, Tianjin Huang

机构 * Nanjing University of Posts and Telecommunications（南京邮电大学） ； University of Leicester（莱斯特大学） ； University of Exeter（埃克塞特大学） ； University of Surrey（萨里大学） 纠错

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 研究针对高分辨率医学图像分析难题，提出CPR框架，将其视为从全局到局部的决策过程，能动态预测细化区域，保持骨干网络输入大小固定，实验表明该方法在精度和效率上表现优异。

Light Coils: MRI with Fully Optical Data and Power Transmission

轻量级线圈：基于全光数据与电力传输的磁共振成像

Zining Liu, Morteza Teymoori, Jakob Gerlach, Reza Aghabagheri, Henning Helmers, Michael Bock, Caglar Ataman, Ali Oezen

专题命中 医学影像 ：MRI(title,abstract)；分类 eess.SP

AI总结 介绍新型轻量级线圈概念，采用全光磁共振接收架构，通过光实现数据传输、前端供电和线圈失谐，可降低布线复杂度，优化相关参数后能匹配传统射频线圈系统信噪比，还展示了多通道阵列应用成果。

Comments Submitted to Nature Communications in Article format

Towards Voxel Spacing Consistency for Medical Image Segmentation

面向医学图像分割的体素间距一致性

Xin You, Runze Yang, Minghui Zhang, Hanxiao Zhang, Han Li, Yi Yu, Jie Yang, Nassir Navab, Yun Gu

机构 * Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医疗机器人研究院） ； Department of Ultrasound, Shanghai Chest Hospital（上海市胸科医院超声科） ； CAMPAR, Technical University of Munich（慕尼黑工业大学CAMPAR） 纠错

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 提出Consispace框架，通过ODE约束和语义特征重加权实现轴向体素间距一致，提升重采样质量与下游分割性能。

Comments 12 pages, 6 figures

SegDINO: Introducing Multi-Scale Structure into DINO for Efficient Medical Image Segmentation

SegDINO: 将多尺度结构引入DINO以实现高效医学图像分割

Sicheng Yang, Hongqiu Wang, Zhaohu Xing, Sixiang Chen, Qiuxia Yang, Yize Mao, Guang Yang, Lei Zhu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Sun Yat-sen University Cancer Center（中山大学肿瘤防治中心） ； Imperial College London（帝国理工学院） 纠错

专题命中 医学影像 ：medical image(title)；CT(abstract,abstract_cn)；分类 cs.CV

AI总结 提出SegDINO框架，通过令牌金字塔适应和尺度感知解码将多尺度结构引入DINO，在保持高效的同时实现医学图像分割的最优性能。

Comments Code: https://github.com/script-Yang/segdino_v2

The Slop Paradox: How Synthetic Standardization Erodes Clinical Uncertainty and Cross-Modal Alignment in AI-Rewritten Radiology Reports

Slop悖论：合成标准化如何侵蚀AI重写放射学报告中的临床不确定性和跨模态对齐

Samar Ansari

机构 * School of Computing and Engineering Sciences, University of Chester（切斯特大学计算与工程科学学院） 纠错

专题命中 医学影像 ：radiology(title,abstract)；medical AI(abstract)；分类 cs.CV

AI总结 本研究通过控制实验测量AI重写放射学报告导致的信息退化，发现电子健康记录摘要虽破坏内容但保留图像-文本对齐，而标准化重写和教学病例准备则相反，造成更大对齐损失，称为slop悖论。

Patient-Agnostic Synthetic Pretraining for Efficient Patient-Specific Intraoperative 2D/3D Registration

用于高效患者特异性术中二维/三维配准的患者无关合成预训练

Minheng Chen, Youyong Kong

专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、eess.IV

AI总结 研究术中二维/三维配准问题，提出基于患者无关合成预训练和球面相似性学习的框架，先预训练模型学习可转移表示，再用目标CT投影适应新患者，引入无分割域随机化策略，实验证明该方法能降低训练需求并保持配准精度。

Transferable Low-Rank Convolutional Bases for Onboarding Unseen Medical Imaging Modalities

用于引入未见医学成像模态的可转移低秩卷积基

Ranat Das Prangon, Istiaque Ahmed, Shajid Hasan Naim, Waseem Mustak Zisan, Hossain Md Shakhawat

机构 * Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学） ； Osaka Metropolitan University（大阪都市大学） ； Chittagong University of Engineering and Technology (CUET)（吉大港工程技术大学） ； Kochi University of Technology（高知工科大学） 纠错

专题命中 医学影像 ：MRI(abstract,abstract_cn)；CT(abstract,abstract_cn)；分类 cs.CV、cs.LG

AI总结 研究医学成像模型引入未见模态的问题，提出冻结源模态低秩卷积基并训练其向上投影的方法，该方法可转移，能以极少参数引入未见模态，保持源模态准确率不变，还能检测何时需引入。

Multimodal Assessment of Pancreatic Cancer Resectability Using Deep Learning

使用深度学习对胰腺癌可切除性进行多模态评估

Vincent Ochs, Christoph Kuemmerli, Florentin Bieder, Julia Wolleb, Joel L. Lavanchy, Julia Ruppel, Jan Liechti, Stephanie Taha-Mehlitz, Christian Andreas Nebiker, Beat Mueller, Giuseppe Kito Fusai, Joerg-Matthias Pollok, Anas Taha, Philippe C. Cattin, Sebastian Staubli

机构 * University of Basel（巴塞尔大学） ； Clarunis, University Digestive Health Centre（克拉鲁尼斯大学消化健康中心） ； Kantonsspital Aarau（阿劳州立医院） ； Royal Free Hospital（皇家自由医院） 纠错

专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、cs.LG

AI总结 研究利用深度学习框架联合分析CT与临床信息，对胰腺癌可切除性分类。通过Swin-UNETR主干获取图像特征，融合临床嵌入，经动态多任务目标训练，能将患者分入NCCN的三种可切除性类别，提高评估准确性。

Medical Image Segmentation based on Deep Active Contour and Mean Curvature Loss Function

基于深度活动轮廓和平均曲率损失函数的医学图像分割

Xiao-qiang Zhai, Zhi-feng Pang, Peng Zheng, Ze-wen Li, Yan-zhe Hou

专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV、eess.IV；biomedical(comments)

AI总结 针对医学图像分割中像素级训练缺乏几何先验信息及分割区域表征不足的问题，提出深度活动轮廓和平均曲率（DACMC）损失函数，用卷积核近似平均曲率，在多数据集上验证性能，展现新最优表现。

Comments 15 pages, 4 figures. Keywords: medical image segmentation, curvature regularization, loss function, active contour model, mean curvature, deep learning. Under review at Biomedical Signal Processing and Control

Adaptive Routing for Efficient Diffusion Transformer-Based PNI Prediction

基于高效扩散变压器的PNI预测的自适应路由

Youngung Han, Dohyun Kweon, Kyeonghun Kim, Hyunsu Go, Jina Jeong, Suah Park, Induk Um, Junga Kim, Anna Jung, Yului Jeong, Sungha Park, Jinyong Jun, Pa Hong, Woo Kyoung Jeong, Won Jae Lee, Ken Ying-Kai Liao, Hyuk-Jae Lee, Nam-Joon Kim

机构 * Seoul National University（首尔国立大学） ； Kyung Hee University（庆熙大学） ； OUTTA ； Chung-Ang University（Chung-Ang 大学） ； Seoul National University School of Medicine（首尔国立大学医学院） ； Samsung Changwon Hospital（三星昌原医院） ； Samsung Medical Center（三星医疗中心） ； NVIDIA AI Technology Center（NVIDIA AI 技术中心） 纠错

专题命中 医学影像 ：MRI(summary_cn,abstract)；分类 cs.CV、cs.LG

AI总结 针对胆管癌PNI术前MRI预测难题，传统方法有局限。本文将PNI预测设为扩散分类问题，用基于Transformer的表示实现去噪网络，并引入自适应路由提高效率，实验取得了0.731的AUC及257.57 GFLOPs的结果。

Dual-Prior Guided Null-Space Learning with Mixture-of-Splines for Arbitrary Medical Slice Super-Resolution

双先验引导的零空间学习与样条混合用于任意医学切片超分辨率

Haofei Song, Siyuan Xu, Xintian Mao, Shaojie Guo, Qingli Li, Yan Wang

机构 * Shanghai Key Laboratory of Multidimensional Information Processing（上海多维信息处理重点实验室） ； East China Normal University（华东师范大学） 纠错

专题命中 医学影像 ：MRI(abstract,abstract_cn)；CT(abstract,abstract_cn)；分类 cs.CV、eess.IV

AI总结 提出DP-NSL框架，通过测量一致性投影和样条混合模块，在零空间内学习几何连续先验，实现任意尺度医学切片超分辨率，保持测量一致性并优于现有方法。

Comments Accepted to ECCV 2026! Project page: https://github.com/DeepMed-Lab-ECNU/Medical-Image-Reconstruction

Enabling self-supervised learned primal dual with Noise2Inverse

利用 Noise2Inverse 实现自监督学习先验-对偶算法

Antti Sällinen, Siiri Rautio, Santeri Kaupinmäki, Andreas Hauptmann

机构 * Research Unit of Mathematical Sciences, University of Oulu, Finland（奥卢大学数学科学研究中心，芬兰） ； Department of Mathematics and Information Science, Josai University, Japan（立命馆大学数学与信息科学系，日本） ； Department of Computer Science, University College London, United Kingdom（伦敦大学学院计算机科学系，英国） 纠错

专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.LG、eess.IV

AI总结 提出 Noise2Inverse 学习先验-对偶算法 (N2I-LPD)，利用 CT 扫描角度旋转下不同测量噪声的统计独立性，实现无真实图像的自监督训练，提升低剂量和稀疏角度 CT 重建质量。

Acquisition state behaves as a structured, measurable variable governing lung-nodule AI: kernel-driven measurement instability and noise-driven detection fragility, invisible to DICOM metadata

采集状态作为结构化、可测量变量影响肺结节AI：核驱动的测量不稳定性和噪声驱动的检测脆弱性，DICOM元数据不可见

Daniel Soliman

机构 * Daniel Soliman, M.S（丹尼尔·索利曼，硕士） 纠错

专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、eess.IV

AI总结 研究通过LUNA16训练的RetinaNet检测器，发现CT采集状态（重建核与噪声）独立影响AI的测量与检测性能，且无法从DICOM元数据恢复，提出采集感知的输入验证层。

2D Versus 3D Diffusion for In Silico Training of Interventional X-ray AI Models

二维与三维扩散在介入X射线AI模型模拟训练中的比较

Sampath Rapuri, Jeremy Ko, Benjamin D. Killeen, Russell H. Taylor, Mathias Unberath

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、eess.IV

AI总结 本文比较了基于3D条件潜在扩散模型生成CT体数据用于DRR合成与基于视图条件的2D扩散模型直接生成合成X射线两种方法，发现2D扩散生成的合成X射线可用于训练解剖标志检测模型，性能接近真实数据训练模型。

Native space based pipelines outperform template space based pipeline in subcortical segmentation

基于原生空间的分割管线在皮层下核团分割中优于基于模板空间的分割管线

Tomás Lima, Daniel Novák, Eduard Bakštein

机构 * Department of Cybernetics, Czech Technical University in Prague（捷克布拉格捷克理工大学控制论系） ； National Institute of Mental Health（国家心理健康研究所） 纠错

专题命中 医学影像 ：MRI(summary_cn,abstract)；分类 cs.CV、cs.LG

AI总结 本研究开发了基于原生空间的UNet分割管线，在7T和3T MRI数据上对丘脑底核、红核和黑质进行分割，发现原生空间方法在精度上显著优于模板空间方法，且提高模板分辨率无法改善性能，但7T到3T的域迁移仍是挑战。

Comments 18 pages, 8 figures

Deep Image Prototype Learning with Geometric Heat-Kernel Priors

基于热核先验的流形变分学习

Jiarui Xing, Tal Zeevi, Nian Wu, Jian Wang

机构 * Yale School of Medicine（耶鲁大学医学院） ； University of Virginia（弗吉尼亚大学） ； Harvard Medical School（哈佛医学院） 纠错

专题命中 医学影像 ：MRI(summary_cn,abstract)；分类 cs.CV、eess.IV

AI总结 提出一种流形锚定变分框架，利用几何感知EM算法选择热核加权潜图上的图中心点作为原型，确保原型在流形上，并通过Dirichlet能量正则化保持潜空间几何平滑，在心脏瘢痕和脑MRI基准上取得最高精度和清晰原型。

Impact of Synthetic Lesional MR Images in Automated Focal Cortical Dysplasia Detection in Low-Data Scenarios

合成病灶MR图像在低数据场景下自动局灶性皮质发育不良检测中的影响

Prabhjot Kaur, Hakim Ouaalam, Sedat Kandemirli, Sanjay P. Prabhu, Simon K. Warfield

机构 * Computational Radiology Laboratory（计算放射学实验室） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） 纠错

专题命中 医学影像 ：MRI(summary_cn,abstract)；分类 cs.CV、eess.IV

AI总结 本研究通过条件生成网络合成FCD病灶MRI数据，评估其真实性及对自动检测的影响，发现合成数据可减少约20%标注需求，但真实数据仍更有效。

Integrating Implicit and Explicit Relational Biases through Graph-Based Multiple Instance Learning: A Case Study in Skin Lesion Diagnosis

通过基于图的多实例学习整合隐式与显式关系偏差：皮肤病变诊断的案例研究

Rafał Buler, Jakub Buler, Maciej Bobowicz, Michał Grochowski

机构 * Gdańsk University of Technology（格但斯克工业大学） ； Medical University of Gdańsk（格但斯克医科大学） 纠错

专题命中 医学影像 ：diagnosis(title,abstract)；分类 cs.CV、cs.LG、eess.IV

AI总结 本研究提出双层级关系框架，结合隐式图像块关系建模与显式图结构消息传递，在ISIC-2018、ISIC-2019皮肤病变诊断基准上提升了平衡准确率，其中集成网格结构的图注意力网络表现最优。

Comments Accepted as a short paper for presentation at the 21st International Conference on Computational Intelligence Methods for Bioinformatics and Biostatistics (CIBB 2026)