医学 AI

3D Transport-based Morphometry (3D-TBM) for medical image analysis

基于3D传输的形态学测量（3D-TBM）用于医学图像分析

Hongyu Kan, Kristofor Pas, Ivan Medri, Naqib Sad Pathan, Natasha Ironside, Shinjini Kundu, Jingjia He, Gustavo Kunde Rohde

机构 * Department of Computer Engineering University of Virginia（计算机工程系，弗吉尼亚大学） ； Department of Biomedical Engineering University of Virginia（生物医学工程系，弗吉尼亚大学） ； Department of Electrical and Computer Engineering University of Virginia（电气与计算机工程系，弗吉尼亚大学） ； Department of Neurological Surgery University of Virginia（神经外科系，弗吉尼亚大学） ； Department of Radiology Washington University in St. Louis（放射科，华盛顿大学圣路易斯分校） ； Department of Electrical and Systems Engineering Washington University in St. Louis（电气与系统工程系，华盛顿大学圣路易斯分校） 纠错

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

AI总结 3D-TBM通过传输域特征分析实现3D医学图像的形态学研究，提供数据预处理、最优传输嵌入和可视化方法，支持临床影像研究。

Topological Signatures vs. Gradient Histograms: A Comparative Study for Medical Image Classification

拓扑签名与梯度直方图：面向医学图像分类的比较研究

Faisal Ahmed

机构 * Department of Data Science（数据科学系） ； Mathematics, Embry-Riddle Aeronautical University（数学，埃默里-里德航空大学） 纠错

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

AI总结 本文比较了HOG和TDA在视网膜图像分类中的性能，发现XGBoost在两种特征类型上均表现最佳，展示了结合两种方法提升医学图像分类的潜力。

Comments 18 pages, 12 figures

MRI Cross-Modal Synthesis: A Comparative Study of Generative Models for T1-to-T2 Reconstruction

MRI跨模态合成：生成模型在T1到T2重建中的比较研究

Ali Alqutayfi, Sadam Al-Azani

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

AI总结 本文比较了Pix2Pix GAN、CycleGAN和VAE在T1到T2 MRI重建中的性能，发现CycleGAN在PSNR和SSIM上表现最佳，而VAE在潜在空间表示上有优势。

Mamba Goes HoME: Hierarchical Soft Mixture-of-Experts for 3D Medical Image Segmentation

Mamba Goes HoME: 分层软专家混合模型用于3D医学图像分割

Szymon Płotka, Gizem Mert, Maciej Chrabaszcz, Ewa Szczurek, Arkadiusz Sitek

机构 * Faculty of Mathematics, Informatics, and Mechanics, University of Warsaw（华沙大学数学、信息学与力学系） ； Faculty of Mathematics and Computer Science, Jagiellonian University（雅盖隆大学数学与计算机科学系） ； Institute of AI for Health, Helmholtz Munich（海德堡医学院人工智能与健康研究所） ； Faculty of Electronics and Information Technology, Warsaw University of Technology（华沙理工大学电子与信息技术系） ； NASK - National Research Institute（国家研究 institute） ； Faculty of Radiology, Massachusetts General Hospital（麻省总医院放射学系） ； Department of Radiology, Harvard Medical School（哈佛医学院放射学系） 纠错

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

AI总结 本文提出分层软专家混合模型HoME，通过两级令牌路由提升3D医学图像分割的长上下文建模能力，实现更高效的局部和全局特征提取，从而提升分割性能。

Comments Accepted at NeurIPS 2025

GroupCDL: Interpretable Denoising and Compressed Sensing MRI via Learned Group-Sparsity and Circulant Attention

GroupCDL: 通过学习的组稀疏性和循环注意力实现可解释的去噪和压缩感知MRI

Nikola Janjusevic, Amirhossein Khalilian-Gourtani, Adeen Flinker, Li Feng, Yao Wang

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

AI总结 本文提出了一种基于学习组稀疏性和循环注意力的可解释卷积网络，用于实现高效的图像去噪和压缩感知MRI重建。

Comments 13 pages, 8 figures. arXiv admin note: substantial text overlap with arXiv:2306.01950

Fully Kolmogorov-Arnold Deep Model in Medical Image Segmentation

全 Kolmogorov-Arnold 深度模型在医学图像分割中的应用

Xingyu Qiu, Xinghua Ma, Dong Liang, Gongning Luo, Wei Wang, Kuanquan Wang, Shuo Li

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Case Western Reserve University（凯斯西储大学） 纠错

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

AI总结 本文提出全 Kolmogorov-Arnold 深度模型，通过改进 KAN 层和减少内存消耗，实现医学图像分割的高精度与高效性。

Comments 11 pages, 5 figures, conference

Perfusion Imaging and Single Material Reconstruction in Polychromatic Photon Counting CT

灌注成像与单材料重建在多能X射线计数CT中的应用

Namhoon Kim, Ashwin Pananjady, Amir Pourmorteza, Sara Fridovich-Keil

机构 * School of Industrial and Systems Engineering（工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； Department of Radiology and Imaging Sciences（放射学与影像科学系） ； Emory University School of Medicine（埃默里大学医学院） ； Winship Cancer Institute（Winship癌症研究所） ； Emory University（埃默里大学） ； Department of Biomedical Engineering（生物医学工程系） 纠错

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

AI总结 本文提出VI-PRISM算法，用于低剂量灌注CT中的单材料重建，实现比传统方法更精确且更高效的对比剂浓度成像。

Comments Code is available at https://github.com/voilalab/VI-PRISM

Opportunistic Promptable Segmentation: Leveraging Routine Radiological Annotations to Guide 3D CT Lesion Segmentation

机会性可提示分割：利用常规放射学注释指导3D CT病变分割

Samuel Church, Joshua D. Warner, Danyal Maqbool, Xin Tie, Junjie Hu, Meghan G. Lubner, Tyler J. Bradshaw

机构 * University of Wisconsin–Madison Department of Computer Sciences（威斯康星大学麦迪逊分校计算机科学系） ； University of Wisconsin–Madison Department of Radiology（威斯康星大学麦迪逊分校放射学系） 纠错

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

AI总结 SAM2CT通过利用放射科注释生成3D CT病变分割，实现机会性可提示分割，优于现有模型并展示零样本性能。

Benchmarking Vanilla GAN, DCGAN, and WGAN Architectures for MRI Reconstruction: A Quantitative Analysis

对MRI重建中Vanilla GAN、DCGAN和WGAN架构进行基准测试：一项定量分析

Humaira Mehwish, Hina Shakir, Muneeba Rashid, Asarim Aamir, Reema Qaiser Khan

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

AI总结 本研究通过定量分析比较了Vanilla GAN、DCGAN和WGAN在MRI重建中的性能，发现DCGAN和WGAN在图像质量和准确性方面表现更优。

Comments 20 pages

Journal ref Edelweiss Applied Science and Technology January 2026

From Cold Start to Active Learning: Embedding-Based Scan Selection for Medical Image Segmentation

从冷启动到主动学习：基于嵌入的扫描选择用于医学图像分割

Devon Levy, Bar Assayag, Laura Gaspar, Ilan Shimshoni, Bella Specktor-Fadida

机构 * Department of Information Systems, University of Haifa（信息系统系，海法大学） ； Department of Medical Imaging Sciences, University of Haifa（医学影像科学系，海法大学） 纠错

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

AI总结 本文提出了一种结合基础模型嵌入与聚类的冷启动采样策略，并结合不确定性驱动的主动学习框架，提升医学图像分割的准确性。

Comments 19 pages without references

Evaluating the Predictive Value of Preoperative MRI for Erectile Dysfunction Following Radical Prostatectomy

术前MRI对根治性前列腺切除术后勃起功能障碍预测价值的评估

Gideon N. L. Rouwendaal, Daniël Boeke, Inge L. Cox, Henk G. van der Poel, Margriet C. van Dijk-de Haan, Regina G. H. Beets-Tan, Thierry N. Boellaard, Wilson Silva

机构 * University of Amsterdam（阿姆斯特丹大学） ； Antoni van Leeuwenhoek-Netherlands Cancer Institute（安托尼·范·列文霍克-荷兰癌症研究所） ； Department of Urology（泌尿科部） ； AI Technology for Life（人工智能技术生命） ； Utrecht University（乌特勒支大学） ； GROW School for Oncology and Developmental Biology（GROW肿瘤学与发育生物学学院） 纠错

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

AI总结 本研究评估了术前MRI对根治性前列腺切除术后勃起功能障碍预测价值，发现MRI模型在某些方面略优于传统方法，但未超越临床特征。

Comments 13 pages, 5 figures, 2 tables. Accepted at PRedictive Intelligence in MEdicine workshop @ MICCAI 2025 (PRIME-MICCAI). This is the submitted manuscript with added link to github repo, funding acknowledgements and authors' names and affiliations. No further post submission improvements or corrections were integrated. Final version not published yet

A Tumor Aware DenseNet Swin Hybrid Learning with Boosted and Hierarchical Feature Spaces for Large-Scale Brain MRI Classification

一种肿瘤感知的密集网络Swin混合学习框架，结合增强和分层特征空间用于大规模脑部MRI分类

Muhammad Ali Shah, Muhammad Mansoor Alam, Saddam Hussain Khan

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

AI总结 本文提出了一种结合增强和分层特征空间的DenseNet-Swin混合学习框架，用于大规模脑MRI肿瘤分类，通过定制DenseNet和Swin模块提升检测精度和召回率。

Comments 33 Pages, 8 Tables, Figures 16

A Lightweight Medical Image Classification Framework via Self-Supervised Contrastive Learning and Quantum-Enhanced Feature Modeling

通过自监督对比学习和量子增强特征建模的轻量级医学图像分类框架

Jingsong Xia, Siqi Wang

机构 * The Second Clinical Medical College, Nanjing Medical University（南京医科大学第二临床医学院） 纠错

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

AI总结 本文提出一种结合自监督对比学习和量子增强特征建模的轻量级医学图像分类框架，通过MobileNetV2和量子电路实现高效模型，实验表明其在性能上优于传统方法。

Atlas-Assisted Segment Anything Model for Fetal Brain MRI (FeTal-SAM)

基于图谱的胎儿脑MRI分割模型（FeTal-SAM）

Qi Zeng, Weide Liu, Bo Li, Ryne Didier, P. Ellen Grant, Davood Karimi

机构 * Department of Radiology, Boston Children’s Hospital, and Harvard Medical School（放射科、波士顿儿童医院和哈佛医学院） 纠错

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

AI总结 FeTal-SAM通过整合图谱提示和基础模型原理，实现了灵活的胎儿脑MRI分割，无需重新训练即可处理不同解剖结构。

Filtered 2D Contour-Based Reconstruction of 3D STL Model from CT-DICOM Images

基于CT-DICOM图像的2D轮廓过滤3DSTL模型重建

K. Punnam Chandar, Y. Ravi Kumar

机构 * Kakatiya University（卡卡蒂亚大学） ； National Institute of Technology, Warangal（瓦朗加尔国家理工学院） 纠错

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

AI总结 本文提出通过过滤2D轮廓数据点来改进从CT-DICOM图像重建3DSTL模型的几何精度。

Comments 8 pages, 18 figures

Ultra-Strong Gradient Diffusion MRI with Self-Supervised Learning for Prostate Cancer Characterization

超强梯度扩散磁共振成像结合自监督学习用于前列腺癌表征

Tanishq Patil, Snigdha Sen, Kieran G. Foley, Fabrizio Fasano, Chantal M. W. Tax, Derek K. Jones, Mara Cercignani, Marco Palombo, Paddy J. Slator, Eleftheria Panagiotaki

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

AI总结 本研究利用超强梯度和自监督学习提升前列腺微结构表征，通过深度学习方法改进VERDICT拟合，提高信噪比和对比度。

Comments 25 pages, 14 figures, 7 tables

Bridging Modalities: Joint Synthesis and Registration Framework for Aligning Diffusion MRI with T1-Weighted Images

弥合模态：联合合成与配准框架用于对齐扩散磁共振成像与T1加权图像

Xiaofan Wang, Junyi Wang, Yuqian Chen, Lauren J. O' Donnell, Fan Zhang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Brigham and Women’s Hospital（布里奇沃特医院） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 本文提出一种基于生成配准网络的无监督框架，通过图像合成和变形场学习，提升扩散MRI与T1加权图像的配准精度。

Visual question answering-based image-finding generation for pulmonary nodules on chest CT from structured annotations

基于视觉问答的肺部结节胸部CT图像查找生成

Maiko Nagao, Kaito Urata, Atsushi Teramoto, Kazuyoshi Imaizumi, Masashi Kondo, Hiroshi Fujita

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

AI总结 本研究提出基于视觉问答的肺部结节胸部CT图像查找生成方法，通过构建VQA数据集实现交互式诊断支持，提升医生对影像发现的精准解读能力。

PINGS-X: Physics-Informed Normalized Gaussian Splatting with Axes Alignment for Efficient Super-Resolution of 4D Flow MRI

PINGS-X: 基于轴对齐的物理信息归一化高斯点云的4D流体MRI超分辨率方法

Sun Jo, Seok Young Hong, JinHyun Kim, Seungmin Kang, Ahjin Choi, Don-Gwan An, Simon Song, Je Hyeong Hong

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

AI总结 PINGS-X通过轴对齐高斯点云和归一化方法提升4D流体MRI超分辨率效率与精度。

Comments Accepted at AAAI 2026. Supplementary material included after references. 27 pages, 21 figures, 11 tables

Quantitative mapping from conventional MRI using self-supervised physics-guided deep learning: applications to a large-scale, clinically heterogeneous dataset

利用自监督物理引导深度学习进行传统MRI的定量映射：应用于大规模、临床异质数据集的应用

Jelmer van Lune, Stefano Mandija, Oscar van der Heide, Matteo Maspero, Martin B. Schilder, Jan Willem Dankbaar, Cornelis A. T. van den Berg, Alessandro Sbrizzi

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

AI总结 本研究提出一种自监督物理引导深度学习框架，通过传统MRI直接生成定量T1、T2和PD图，实现了在大规模临床数据集中的高精度和稳定性。

Comments 30 pages, 13 figures, full paper

Staged Voxel-Level Deep Reinforcement Learning for 3D Medical Image Segmentation with Noisy Annotations

分阶段体素级深度强化学习用于带有噪声标注的3D医学图像分割

Yuyang Fu, Xiuzhen Guo, Ji Shi

机构 * the Academy for Multidisciplinary Studies, Beijing National Center for Applied Mathematic（多学科研究学院，北京应用数学中心） ； Capital Normal University（首都师范大学） 纠错

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

AI总结 本文提出分阶段体素级深度强化学习框架，通过动态迭代更新策略和新颖的强化学习方法，在噪声标注条件下提升医学图像分割的准确性和鲁棒性。

A Novel Deep Learning Method for Segmenting the Left Ventricle in Cardiac Cine MRI

一种用于心脏 cine MRI 中左心室分割的新型深度学习方法

Wenhui Chu, Aobo Jin, Hardik A. Gohel

机构 * Dept. of Computer Science, University of Houston-Victoria, Victoria, USA.（计算机科学系，休斯顿-维克托利亚大学，维克托利亚，美国） 纠错

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

AI总结 本研究提出GBU-Net，一种基于组批归一化U-Net的新型深度学习方法，用于提高心脏cine MRI中左心室分割的精度和上下文理解能力。

Comments 9 pages, 5 figures

UKAN-EP: Enhancing U-KAN with Efficient Attention and Pyramid Aggregation for 3D Multi-Modal MRI Brain Tumor Segmentation

UKAN-EP: 通过高效的注意力和金字塔聚合增强U-KAN以实现3D多模态MRI脑肿瘤分割

Yanbing Chen, Tianze Tang, Taehyo Kim, Hai Shu

机构 * Department of Biostatistics, School of Global Public Health, New York University（生物统计学系，全球公共卫生学院，纽约大学） 纠错

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

AI总结 UKAN-EP通过引入高效的通道注意力和金字塔特征聚合模块，提升3D多模态MRI脑肿瘤分割的准确性和效率。

Journal ref BMC Medical Imaging, Volume 25, article number 517, (2025)

ProDM: Synthetic Reality-driven Property-aware Progressive Diffusion Model for Coronary Calcium Motion Correction in Non-gated Chest CT

ProDM：合成现实驱动的属性感知渐进扩散模型用于非门控胸部CT中的冠状动脉钙运动校正

Xinran Gong, Gorkem Durak, Halil Ertugrul Aktas, Vedat Cicek, Jinkui Hao, Ulas Bagci, Nilay S. Shah, Bo Zhou

机构 * Department of Radiology, Northwestern University, Chicago, IL, USA ； College of Computing, Georgia Institute of Technology, Atlanta, GA, USA ； Department of Biomedical Engineering, Northwestern University, Evanston, IL, USA ； Department of Cardiology, Northwestern University, Chicago, IL, USA ； Department of Preventive Medicine, Northwestern University, Chicago, IL, USA 纠错

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

AI总结 ProDM通过属性感知渐进校正扩散模型，有效校正非门控胸部CT中的运动伪影，提升冠状动脉钙评分的准确性与临床实用性。

Comments 21 pages, 8 figures

Hybrid Learning: A Novel Combination of Self-Supervised and Supervised Learning for Joint MRI Reconstruction and Denoising in Low-Field MRI

混合学习：一种结合自监督学习和监督学习的新方法，用于低场MRI的联合图像重建和去噪

Haoyang Pei, Nikola Janjuvsevic, Renqing Luo, Ding Xia, Xiang Xu, William Moore, Yao Wang, Hersh Chandarana, Li Feng

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

AI总结 混合学习结合自监督和监督学习，有效解决低信噪比下MRI重建和去噪问题，提升图像质量。

Medical Image Classification on Imbalanced Data Using ProGAN and SMA-Optimized ResNet: Application to COVID-19

使用ProGAN和SMA优化的ResNet进行不平衡数据的医学图像分类：应用于新冠肺炎

Sina Jahromi, Farshid Hajati, Alireza Rezaee, Javaher Nourian

机构 * Department of Mechatronics, School of Intelligent Systems College of Interdisciplinary Science and Technology University of Tehran（塔里克大学机械工程系、智能系统学院跨学科科学与技术学院） ； School of Science and Technology Faculty of Science, Agriculture, Business and Law University of New England（新英格兰大学科学与技术学院科学、农业、商业与法学院） 纠错

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

AI总结 本文提出基于ProGAN和SMA优化的ResNet模型，用于解决医学图像分类中的不平衡数据问题，通过生成合成数据和优化超参数，提升新冠肺炎检测的准确率。

GuidedMorph: Two-Stage Deformable Registration for Breast MRI

GuidedMorph: 两阶段可变形配准用于乳腺MRI

Yaqian Chen, Hanxue Gu, Haoyu Dong, Qihang Li, Yuwen Chen, Nicholas Konz, Lin Li, Maciej A. Mazurowski

机构 * Department of Electrical and Computer Engineering, Duke University（电子工程系，杜克大学） ； Department of Biostatistics & Bioinformatics, Duke University（生物统计学与生物信息学系，杜克大学） ； Department of Health Outcomes and Biomedical Informatics, College of Medicine, University of Florida（健康结果与生物医学信息学系，医学院，佛罗里达大学） 纠错

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

AI总结 GuidedMorph通过两阶段可变形配准框架提升乳腺MRI的密集组织对齐与结构相似性，实现更精确的肿瘤追踪和诊断。

Stochastic Siamese MAE Pretraining for Longitudinal Medical Images

随机时序Siamese MAE预训练用于纵向医学图像

Taha Emre, Arunava Chakravarty, Thomas Pinetz, Dmitrii Lachinov, Martin J. Menten, Hendrik Scholl, Sobha Sivaprasad, Daniel Rueckert, Andrew Lotery, Stefan Sacu, Ursula Schmidt-Erfurth, Hrvoje Bogunović

机构 * Institute of Artificial Intelligence, Center for Medical Data Science, Medical University of Vienna（人工智能研究所，医学数据科学中心，维也纳医科大学） ； Department of Ophthalmology and Optometry, Medical University of Vienna（眼科学与视光学系，维也纳医科大学） ； Ophthalmic Image Analysis Group (OPTIMA), Medical University of Vienna（眼科影像分析组（OPTIMA），维也纳医科大学） ； BioMedIA, Department of Computing, Imperial College London（BioMedIA，计算系，伦敦帝国理工学院） ； Chair for AI in Healthcare and Medicine, Technical University of Munich（医学与健康人工智能教授职位，慕尼黑技术大学） ； Moorfields National Institute for Health and Care Biomedical Research Centre, Moorfields Eye Hospital（莫尔菲尔兹国家健康与护理生物医学研究中心，莫尔菲尔兹眼科医院） 纠错

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

AI总结 STAMP通过随机过程和条件变分推断，提升纵向医学图像中疾病进展的建模能力。

Comments Under review. Code is available in https://github.com/EmreTaha/STAMP

Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction

可重见双域自监督深度展开网络用于MRI重建

Hao Zhang, Qi Wang, Jian Sun, Zhijie Wen, Jun Shi, Shihui Ying

机构 * Shanghai University（上海大学） ； Shanghai Institute of Applied Mathematics and Mechanics（上海应用数学和力学研究所） ； School of Mechanics and Engineering Science（机械与工程科学学院） ； Xi’an Jiaotong University（西安交通大学） ； School of Communication and Information Engineering（通信与信息工程学院） 纠错

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

AI总结 本文提出一种可重见双域自监督深度展开网络，通过引入双域损失和SFFE块，提升MRI重建性能，优于现有方法。

Super-Resolution Enhancement of Medical Images Based on Diffusion Model: An Optimization Scheme for Low-Resolution Gastric Images

基于扩散模型的医学图像超分辨率增强：一种用于低分辨率胃部图像的优化方案

Haozhe Jia

机构 * Boston University（波士顿大学） 纠错

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

AI总结 本文提出基于扩散模型的超分辨率增强方法，用于提升低分辨率胃部图像的质量，通过SR3框架实现更稳定的训练和更高的结构保真度。

Comments 19 pages, 16 figures. Undergraduate final year project