科学与医疗
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
统一主动学习和半监督学习用于医学图像分割
机构 * Weill Cornell Medicine（威尔康乃尔医学院） ； Cornell University（康奈尔大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 针对医学图像分割标注数据有限问题，提出RegAL统一框架，通过共享拓扑感知帕累托优化，结合样本获取与未标注数据利用，沿三个互补轴评估图像，在多数据集上于极端标注稀缺时表现稳定且优于基线。
CFR-Net：用于医学图像异常检测的协作特征细化网络
机构 * Monash University（莫纳什大学） ； Airdoc-Monash Research, Monash University（艾医智-莫纳什研究中心（莫纳什大学））
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 针对医学图像异常检测难题，提出CFR-Net，结合解码前后的特征细化与跨空间一致性，利用多路径特征细化模块及相关策略减轻域差异并建模多特征，实验显示该网络在正常数据训练下有良好的异常分类和定位性能。
DAMamba-UNet3D：一种用于3D医学图像分割的参数高效的Mamba状态空间U-Net，采用动态自适应扫描
机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 该研究针对3D医学图像分割，提出DAMamba-UNet3D混合编码器-解码器，在编码器特定阶段集成三平面3D-DAS块，降低参数成本，通过实验对比展示其在分割性能上的优势，表明学习的三平面DAS在混合U-Net中有竞争力。
基于超像素的二次无约束二进制优化用于可扩展量子增强医学图像分割
机构 * American University of Beirut（贝鲁特美国大学） ； Centre de Visió per Computador (CVC)（计算机视觉中心 (CVC)） ； Ingenii Inc.（英格尼公司） ； Hamad Bin Khalifa University（哈马德·本·哈利法大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对QUBO用于医学图像分割时的可扩展性挑战，提出基于超像素的QUBO框架，用简单线性迭代聚类分组像素，在区域邻接图上公式化分割。实验表明该方法提升了分割质量、计算速度并减小问题规模，还符合量子退火器连接限制。
Comments 7 pages, 2 figures
SLIP：用于3D医学图像的低延迟交互式提示分割
机构 * IRCAD France（法国国际消化道疾病研究中心） ； Université de Strasbourg, CNRS, ICube（斯特拉斯堡大学、法国国家科学研究中心、ICube实验室） ； IRCCS Humanitas Research Hospital（圣心研究医院） ； Humanitas University（圣心大学） ； Fondazione Policlinico Universitario A. Gemelli, Istituto di Ricovero e Cura a Carattere Scientifico (IRCCS)（圣心综合大学医院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对3D医学图像交互式分割中现有方法的问题，提出SLIP框架，解耦图像编码与提示细化，通过复用特征和维护交互感知状态降低延迟，支持可逆提示，经用户研究验证其在多方面优于现有方法，实现SOTA性能。
医学图像修复中的扩散模型：挑战、解决方案分类及未来方向
机构 * Aeronautics Institute of Technology（航空技术学院） ； Science and Technology Institute, Federal University of São Paulo（圣保罗联邦大学科学与技术研究所） ； LASIGE, Faculdade de Ciências, Universidade de Lisboa（里斯本大学理学院LASIGE实验室） ； University of Coimbra, CISUC/LASI – Centre for Informatics and Systems of the University of Coimbra（科英布拉大学CISUC/LASI - 科英布拉大学信息与系统中心） ； Instituto Superior Técnico, Universidade de Lisboa, Instituto de Telecomunicações（里斯本大学高等技术学院、电信研究所）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 该研究对基于扩散的医学图像修复方法进行系统回顾，涵盖多方面内容并提出分类法。分析显示相关研究兴趣快速增长，扩散模型在生成合理重建结果及辅助临床任务上表现出色，但也面临缺乏标准化基准等挑战。
模拟量子电路会改变卷积神经网络关注的内容吗？医学图像分类中的性能与可解释性比较
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.LG
AI总结 研究混合量子启发卷积神经网络（HQiCNN）与经典卷积神经网络（CNN）在医学图像分类中的表现，通过系统实验对比两者性能与可解释性，发现特定条件下HQiCNN是可提供益处的替代方案，还提出工具比较模型预测。
Comments 17 pages, 6 figures, 2 tables
PSP：利用位置和形状先验进行跨域少样本医学图像分割
机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094, China（南京理工大学计算机科学与工程学院，南京 210094，中国）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 针对跨域少样本医学图像分割中纹理差异导致的性能下降问题，提出利用位置和形状先验（PSP）框架，通过位置坐标嵌入、形状原型调制和混合原型预测模块实现域不变分割，显著优于现有方法。
Comments This manuscript was posted before obtaining the necessary approval from all responsible parties. At the request of the supervising author, we are withdrawing the manuscript
MedDiT4SR：用于医学图像超分辨率的预训练扩散Transformer的三流联合自适应
专题命中 医学影像 ：medical image(title,abstract)；分类 eess.IV
AI总结 研究针对医学图像超分辨率难题，提出MedDiT4SR三流自适应框架，集成多种表示于扩散Transformer块，引入SR Adapter和SA Refiner，实验验证该框架能有效让预训练DiT模型适应不同医学成像域的超分辨率任务。
一轮就够了：用于任务异构多标签医学图像分类的解析联邦学习
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.LG
AI总结 针对任务异构的多标签医学图像分类问题，提出解析联邦学习框架，通过平衡标签投影、每类绝对聚合法则等闭式操作，最多两轮通信，优于FedMLP，提升分类指标并减少通信量。
Comments The 14th IEEE International Conference on Healthcare Informatics
SHOVIR：评估放射学报告生成中视觉捷径学习的基准
机构 * UniCamillus-Saint Camillus International University of Health Sciences, Rome, Italy（乌尼卡米尔斯-圣卡米卢斯国际健康科学大学，意大利罗马）
专题命中 医学影像 ：radiology(title,abstract)；分类 cs.CV
AI总结 提出SHOVIR基准，通过遮挡实验检测放射学报告生成模型是否依赖视觉捷径而非真实病理证据，发现高报告质量模型未必具有良好空间定位能力。
交互式医学-SAM2 GUI：基于Napari的半自动标注工具用于医学图像
机构 * Department of Biomechatronic Engineering, Sungkyunkwan University（生物机电工程系，全州大学） ； Department of Neurosurgery, Seoul National University Hospital, Seoul National University College of Medicine（神经外科，首尔国立大学医院，首尔国立大学医学院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 交互式医学-SAM2 GUI 提供基于Napari的本地工作流，实现高效的3D医学图像半自动标注与导出功能。
Comments Planning to submit JOSS (Journal of Open Source Software)
后验采样是医学图像翻译中缺失模态的生成器
机构 * Sungkyunkwan University（成均馆大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 针对医学图像因时间和协议限制存在缺失模态的问题，提出统一框架，将缺失模态生成视为联合分布下的线性逆问题，通过后验采样及流匹配模型解决，在多数据集实验中性能优于基线，下游肿瘤分割表现更好。
Comments ECCV 26
用于无训练测试时医学图像分割的内存支持协同适应
机构 * School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院） ； School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院） ； Information Systems Technology and Design Pillar, Singapore University of Technology and Design（新加坡科技设计大学信息系统技术与设计支柱）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对医学图像分割中测试时适应的挑战，提出内存支持协同适应（MSSA）框架，不更新模型参数，通过构建在线内存、文本引导语义先验及跨图像结构对齐实现稳健适应，实验证明其优于现有方法。
Comments 18 pages, ECCV 2026
从人类视角理解：用于交互式自我中心医学图像分割的多智能体系统
机构 * School of Instrument Science and Engineering, Southeast University（东南大学仪器科学与工程学院） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Sichuan University-Pittsburgh Institute, Sichuan University（四川大学匹兹堡学院） ； Department of Biomedical Engineering, Case Western Reserve University（凯斯西储大学生物医学工程系）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究交互式自我中心医学图像分割面临的挑战，提出EgoMed-Agent多智能体系统，通过目标确认和定位引导传播工作流程从人类视角理解目标，实验显示该系统平均Dice远超基线，效果显著。
MIS-HCC：用于高效医学图像分割的分层通道聚类
机构 * Yale University（耶鲁大学） ； University of Florida（佛罗里达大学） ； Wichita State University（威奇托州立大学） ； Purdue University（普渡大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Zhejiang University（浙江大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 针对医学图像分割模型在资源受限平台部署的挑战，提出分层聚类压缩方法MIS-HCC，利用瓦瑟斯坦距离表示通道相似性形成矩阵指导聚类，融合通道生成压缩网络，实验证明其在精度和压缩效率上优于现有方法。
OFD-Net：基于前景-背景正交特征解缠网络的无教师可靠半监督医学图像分割
机构 * Key Laboratory of Nondestructive Testing, Ministry of Education, Nanchang Hangkong University（南昌航空大学无损检测技术教育部重点实验室）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对医学图像分割标注有限问题，提出无教师单网络框架OFD-Net。通过正交特征解缠模块和引导模块，有效减少误差积累。并开发可靠性感知伪标签学习机制，降低不可靠区域权重。实验验证其有效性，建立了高效可靠的训练范式。
用于文本引导医学图像分割的定位注入视觉语言语义融合
机构 * Air Force Engineering University（空军工程大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； University of Sydney（悉尼大学） ； Institute of Translational Medicine, Shanghai Jiao Tong University（上海交通大学转化医学研究院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对文本引导医学图像分割，提出LoG框架，通过联合执行多尺度目标定位任务，实现三级定位注入语义融合，在三个基准数据集实验中表现出色，优于现有医学图像分割方法。
CompDiff：分层组合扩散用于公平和零样本交叉性医学图像生成
机构 * Institute of Data Science, Faculty of Science and Engineering, Maastricht University, Maastricht, The Netherlands（数据科学研究所，科学与工程学院，马斯特里赫特大学，马斯特里赫特，荷兰） ； Department of Advanced Computing Sciences, Faculty of Science and Engineering, Maastricht University, Maastricht, The Netherlands（先进计算科学系，科学与工程学院，马斯特里赫特大学，马斯特里赫特，荷兰） ； VITO, Belgium（比利时VITO研究院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 CompDiff通过分层组合扩散框架解决生成模型中因数据不平衡导致的公平性和零样本交叉性生成问题，在图像质量、子组公平性和零样本交叉性生成方面表现优异。
ReportMedSAM：通过放射学报告指导分割
机构 * School of Engineering, College of Engineering and Physical Sciences, University of Birmingham（工程学院，工程与物理科学学院，伯明翰大学） ； Department of Cancer and Genomic Sciences, College of Medicine and Health, University of Birmingham（癌症与基因组科学系，医学与健康学院，伯明翰大学） ； Department of Computer Science, Faculty of Science and Engineering, University of Manchester（计算机科学系，科学与工程学院，曼彻斯特大学） ； The Division of Informatics, Imaging and Data Science, Faculty of Biology, Medicine, and Health, University of Manchester（信息学、成像与数据科学部，生物、医学与健康学院，曼彻斯特大学）
专题命中 医学影像 ：radiology(title,abstract)；分类 cs.CV
AI总结 研究旨在解决将放射学报告转换为可靠分割的难题。提出ReportMedSAM框架，利用医学视觉语言编码器通过对比学习建立语义锚点，推理时匹配概念库激活MoE模块，实现对新任务无缝扩展，在数据集上取得较好分割精度。
MedDiffuseMix: 通过显著性感知的扩散医学图像数据增强保留诊断证据
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 提出MedDiffuseMix框架，利用分类器显著性图引导扩散混合，主要增强低显著性背景区域，保留诊断关键区域，在四个医学图像数据集上提升分类性能。
Comments Under review Signal Image and Video Processing
UniMedSeg：用于多范式2D/3D医学图像分割的统一上下文学习
机构 * Harbin Institute of Technology at Shenzhen（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory（鹏城实验室） ； University Hospital Tübingen（图宾根大学医院） ； German Center for Mental Health（德国心理健康中心） ； Chinese University of Hong Kong（香港中文大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对医学图像分割基础模型存在的问题，提出以Transformer为中心的UniMedSeg框架，通过映射多种信息到共享序列空间联合学习异构医学监督，引入解耦分割注意力克服内存瓶颈，在多类分割任务中实现最优性能且无需特定任务微调。
用于一步式3D医学图像翻译的频谱一致流
机构 * University of Science and Technology of China（中国科学技术大学） ； The First Affiliated Hospital of USTC（中国科学技术大学附属第一医院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 该研究提出频谱一致流（SC-Flow）框架用于3D医学图像翻译，通过将其 reformulate 为随机布朗桥过程，引入频谱一致性校正器减轻相关问题，经四个数据集实验验证，此方法在多场景下性能更优。
跨全栈和稀疏心脏磁共振成像的端到端4D心脏网格恢复
机构 * School of Computer and Communication Science, EPFL（计算机与通信科学学院，瑞士联邦理工学院） ； ELLIS Institute Finland, Aalto University, Finland（芬兰ELLIS研究所，阿尔托大学，芬兰） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） ； Center for Interventional MRI, CHUV（介入MRI中心，CHUV）
专题命中 医学影像 ：MRI(title)；diagnosis(abstract)；分类 cs.CV
AI总结 研究针对心脏磁共振成像序列重建心脏运动问题，提出TetHeart框架，利用可变形四面体，通过创新机制和策略，能从全栈及稀疏切片观测恢复4D心脏网格，在多数据集上实现高精度和强泛化。
Comments Accepted by TMLR
基于背景融合的原型少样本医学图像语义分割
机构 * Chinese Academy of Medical Sciences（中国医学科学院） ； Peking Union Medical College（北京友谊医院） ； School of Health Sciences（健康科学学院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对医学图像少样本语义分割，提出背景融合原型（Bro）方法。通过特征相似性校准减少噪声，分层通道对抗注意力将背景融合到原型，基于通道组注意力机制实现从粗到细融合，可与现有模型集成，有效提升分割性能。
VCDP：用于半监督医学图像分割的变异条件分布代理学习
机构 * Yale University（耶鲁大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究半监督3D医学图像分割问题，提出VCDP方法，通过可学习高斯分布和变异原型表示类语义及模式，用统一分数融合相似性与聚合，改进了多器官分割基线，尤其对复杂器官分割效果好。
SHTA：用于半监督医学图像分割的语义硬令牌校正和中心对齐
机构 * Yale University（耶鲁大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 针对半监督医学图像分割中硬区域语义一致性不足问题，提出SHTA方法，通过语义分配等技术细化语义表示，集成到多个框架并在相关数据集评估，能提升分割精度等性能，且仅增加训练开销。
Comments 9 pages, 7 figures, 4 tables
HPR-SAM：基于无提示SAM的医学图像分割的分层概率表示学习
机构 * Yale University（耶鲁大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对无提示SAM医学图像分割中现有方法局限，提出HPR框架，通过DAR、MAR、LRR学习互补解剖学表示，经HPF整合预测并兼容原始SAM解码器，实验验证该框架在多数据集上有效，达最优性能。
Comments 9 pages, 4 figures
体积方向扩散：在模糊医学图像分割的解剖学共识中锚定不确定性量化
机构 * Department of Computer Science and Engineering University at Buffalo, SUNY Buffalo, NY, USA（计算机科学与工程系，布法罗大学，纽约州，布法罗，美国）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 针对模糊医学图像分割中不同专家边界描绘有差异的问题，提出体积方向扩散（VDD）框架，以粗略共识预测为锚点，学习方向扩散过程生成边界变化，实验表明该方法能在保持精度和结构一致性时改善不确定性分布对齐。
CogRad：一种用于放射学报告生成的受认知启发的多智能体框架
机构 * German Research Center for Artificial Intelligence（德国人工智能研究中心） ； Intelligentx GmbH（智能X有限公司） ； Department of Core Informatics, Graduate School of Informatics, Osaka Metropolitan University（大阪城市大学信息科学研究生院核心信息学系）
专题命中 医学影像 ：radiology(title,abstract)；分类 cs.CV
AI总结 提出受认知启发的多智能体框架CogRad，围绕放射科医生阅读过程的四个阶段构建报告生成，通过多智能体协作提升报告质量，在多个数据集上取得最佳成绩。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈