医学 AI

DRRG: A Discrete Diffusion Framework for Radiology Report Generation

DRRG：用于放射报告生成的离散扩散框架

Shaoyang Zhoua, Yingshu Li, Yunyi Liu, Lijun Pu, Lingqiao Liu, Lei Wang, Luping Zhou

机构 * School of Electrical and Computer Engineering, The University of Sydney（悉尼大学电气与计算机工程学院） ； Department of Radiology, The First Affiliated Hospital of Soochow University（苏州大学附属第一医院放射科） ； School of Computer Science, The University of Adelaide（阿德莱德大学计算机学院） ； School of Computing and Information Technology, University of Wollongong（卧龙岗大学计算与信息技术学院） 纠错

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

AI总结 本研究提出基于离散扩散大语言模型的DRRG框架，将放射报告生成转化为迭代掩码词去噪，在MIMIC-CXR、CheXpert Plus数据集上的多项指标优于对比方法，为放射报告生成提供了有效替代方案。

Low-Rank Velocity Fields as a Structural Prior for Unsupervised 4D Medical Image Interpolation

作为无监督四维医学图像插值结构先验的低秩速度场

Haojin Li, Hengzhuo Wang, Chang Liu, Zhiheng Ma, Heng Li, Jiang Liu

机构 * Southern University of Science and Technology（南方科技大学） ； Shenzhen University of Advanced Technology（深圳先进技术研究院） ； Shenzhen University Medical School（深圳大学医学院） ； Shenzhen University（深圳大学） ； Research Institute of Trustworthy Autonomous Systems（可信自主系统研究院） 纠错

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

AI总结 提出低秩速度场作为结构先验，结合多尺度方案实现无监督4D医学图像插值，在ACDC和4D-Lung数据集上达到最优性能，生成的中间体积结构一致性与轮廓稳定性更优。

Comments MICCAI 2026

Localization-Infused Vision-Language Semantic Fusion for Text-Guided Medical Image Segmentation

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

Songyue Han, Mingye Zou, Shuchang Ye, Lei Bi, Mingyuan Meng

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） 纠错

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。

Comments 12 pages, 6 figures, 7 tables. v2: revised presentation with updated author affiliations; abstract condensed; Figure 1 redrawn; an average performance column added to Table I; one reference added and three removed; author biographies removed. All datasets, methods and experimental results are unchanged from v1

LHMCF-Net: A Learned Hyperbolic Mean Curvature Flow Network for Medical Images Segmentation

LHMCF-Net：用于医学图像分割的学习型双曲平均曲率流网络

Shuangshuang Duan, Chunlei He, Shoujun Huang, Dexing Kong

机构 * Zhejiang Normal University（浙江师范大学） ； College of Mathematical Medicine, Zhejiang Normal University（浙江师范大学数学医学院） ； School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院） 纠错

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

AI总结 该研究提出了基于学习型双曲平均曲率流的LHMCF-Net深度展开网络，将双曲几何演化与端到端优化结合，在公开医学分割数据集上的低对比度、边界模糊场景中实现了优异的分割性能。

Towards Clinically Faithful Medical Image Captioning via Enhanced Vision-Language Alignment

基于增强型视觉-语言对齐的临床可信医学图像描述生成研究

Yunseo Lee, Hyun Jun Kim, Heeseung Shin, Changwon Lim

机构 * Chung-Ang University（中央大学） 纠错

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

AI总结 本研究针对医学图像描述生成的临床可信性问题，提出分离训练与推理对齐的框架，结合多编码器、辅助学习及MedPAIR-SCST方法，通过选择与强化学习对齐提升临床一致性，在数据受限场景下改善医学图像描述的可信度。

Comments 10 pages, 2 figures, 7 tables. Preprint submitted to IEEE for possible publication

Agentic retrieval-augmented reasoning reshapes collective reliability under model variability in radiology question answering

代理检索增强推理重塑放射学问答中的集体可靠性在模型变异性下

Mina Farajiamiri, Jeta Sopa, Saba Afza, Lisa Adams, Felix Barajas Ordonez, Tri-Thien Nguyen, Mahshad Lotfinia, Sebastian Wind, Keno Bressem, Sven Nebelung, Daniel Truhn, Soroosh Tayebi Arasteh

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

AI总结 代理检索增强推理在放射学问答中提升了集体可靠性，通过减少模型决策分散和增强跨模型正确性鲁棒性，但高一致性不保证正确性。

Journal ref Patterns, 101639, 2026

FedPref: Federated Preference Learning for Structured Radiology Report Extraction

FedPref：用于结构化放射报告抽取的联邦偏好学习

Flint Xiaofeng Fan, Cheston Tan, Yew-Soon Ong, Roger Wattenhofer

机构 * ETH Zurich（苏黎世联邦理工学院） ； Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局） 纠错

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

AI总结 FedPref 是用于结构化放射报告抽取的联邦偏好学习方法，通过冻结公共语言模型、本地排序与共享模型更新训练适配器，在不均数据场景下提升抽取性能且无需共享敏感数据。

Comments Accepted at ELAMI 2026, held in conjunction with MICCAI 2026. To appear in the Springer proceedings

Vision-Language Enhanced Foundation Model for Semi-Supervised Medical Image Segmentation

增强视觉-语言能力的半监督医学图像分割基础模型

Jiaqi Guo, Mingzhen Li, Hanyu Su, Keigo Healy, Lexiaozi Fan, Neda Tavakoli, Santiago López-Tapia, Daniel Kim, Aggelos K. Katsaggelos

机构 * ECE, Northwestern University（电气工程与计算机科学系，西北大学） ； Stats, Northwestern University（统计学系，西北大学） ； Radiology, Northwestern University（放射学系，西北大学） 纠错

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

AI总结 本文提出VESSA模型，通过增强视觉-语言能力的半监督方法提升医学图像分割精度，实验表明其在有限标注条件下表现优于现有方法。

SUGFW+: An Uncertainty-guided Feature Weighting Framework for Cold Start Active Adaptation of SAM in Medical Image Segmentation

SUGFW+: 一种用于医学图像分割中SAM的冷启动主动适应的不确定性引导特征加权框架

Xiaochuan Ma, Ning Zhu, Jia Fu, Lanfeng Zhong, Hanyu Jiang, Bin Song, Kang Li, Guotai Wang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Glassgow College, University of Electronic Science and Technology of China（电子科技大学格拉斯哥学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； West China Hospital, Sichuan University（四川大学华西医院） 纠错

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

AI总结 针对医学图像分割中SAM冷启动主动适应的样本选择问题，提出SUGFW+框架，集成SAM的PFUC、PGDR模块与GSCU策略及UPFT过程，在四个公共数据集上取得CSAL任务的最优性能。

Benchmarking Foundation and Large Language Models for Few-Shot Medical Image Segmentation

基准测试用于小样本医学图像分割的基础模型与大语言模型

Jinghong Liu, Yuchuan Deng, Fanping Liu, Meng Huang, Xirong Li

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

AI总结 该研究推出统一基准FAME，涵盖四类模型，含14958个样本，评估得出小样本分割的关键规律，助力开发更有效的小样本医学分割方法。

Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting

用于循证甲状腺超声诊断与报告的可审计智能体AI

Haifan Gong, Shiyu Chen, Bodong Wang, Yuqi Wang, Shijie Wang, Guoliang You, Xinyu Xiong, Haowei Wang, Mingzhi Mao, Dexing Kong, Qinghua Liu, Wei Lou, Fei Chen, Guanbin Li

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院） ； School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院） ； Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院） ； Zhujiang Hospital, Southern Medical University（南方医科大学珠江医院） ； College of Mathematical Medicine, Zhejiang Normal University（浙江师范大学数学医学院） 纠错

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

AI总结 本文提出可审计的智能体AI系统ThyroidXAgent，基于多中心数据集开发，可协同完成甲状腺超声诊断多任务，提升分类准确率与报告一致性，缩短耗时，支持临床医生修正。

Comments Under review

M-Net: Integrating Spectral Features and Physical Field Operators into Deep Learning for Medical Image Segmentation

M-Net：将谱特征与物理场算子融入深度学习用于医学图像分割

Jing Zhu, Ye Wang, Fumin Wang

机构 * University of Sydney（悉尼大学） 纠错

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

AI总结 该研究提出融入数学先验的M-Net，在LiTS、KiTS、BraTS数据集上提升U-Net分割性能，证实数学归纳偏置可增强医学图像分割效果。

Predicting Functions, Not Features: KANs with Function-Space Joint-Embedding Predictive Learning for Medical Image Segmentation

预测函数而非特征：用于医学图像分割的具有函数空间联合嵌入预测学习的KANs

Yungeng Liu, Xuanzi Fang, Yuge Zhang, Shuqi Ren, Haijin Zeng, Yongyong Chen

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

AI总结 针对现有KAN分割模型边函数缺乏聚合前学习目标的局限，提出FS-JEPA框架，将预测学习迁移至KAN聚合前函数空间，在五个医学图像分割基准上实现最优平均戴斯系数，较最强KAN方法提升2.25个百分点。

Comments 9 pages, 5 figures

KANResDiff: Learning Local Residual Diffusion via Kolmogorov-Arnold Network for Ambiguous Medical Image Segmentation

KANResDiff：基于柯尔莫哥洛夫-阿诺德网络学习局部残差扩散以解决模糊医学图像分割问题

Fanding Li, Chenglin Wang, Xiangyu Li, Xingyu Qiu, Xinghua Ma, Xiangming Yin, Haiyang Li, Suyu Dong, Wei Wang, Kuanquan Wang, Gongning Luo, Shuo Li

机构 * Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算学部） ； College of Computer and Control Engineering, Northeast Forestry University（东北林业大学计算机与控制工程学院） ； 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

AI总结 针对现有模糊医学图像分割方法无法形成渐进式语义建模的问题，提出KANResDiff模型，通过独立时间编码与残差薛定谔桥实现阶段感知模糊性建模，在公开数据集上取得SOTA性能。

Comments 10 pages, 3 figures, MICCAI 2026 conference paper

ReXrank: A Public Leaderboard for AI-Powered Radiology Report Generation

ReXrank：一个用于AI驱动放射报告生成的公开排行榜

Xiaoman Zhang, Hong-Yu Zhou, Xiaoli Yang, Oishi Banerjee, Julián N. Acosta, Mohammed Baharoon, Josh Miller, Ouwen Huang, Pranav Rajpurkar

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

AI总结 ReXrank是用于评估AI驱动放射报告生成的公开排行榜，整合多数据集与8项指标，可分别评估生成不同报告部分的模型，为医学影像自动化报告评估奠定标准化基础。

CDGC-Net: 3D Medical Image Segmentation with Cooperative Dual-Scale Self-Attention and Grouped Channel Modeling

CDGC-Net：基于协作双尺度自注意力与分组通道建模的3D医学图像分割网络

Zheyang Jing, Qin Lu, Jianwang Li, Yujie Yang, Chen Yi, Shaofeng Jiang

机构 * Nanchang Hangkong University（南昌航空大学） 纠错

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

AI总结 该研究提出CDGC-Net，通过协作双尺度自注意力与分组通道建模优化3D医学图像分割，在多数据集上精度优于现有方法，且参数量与计算量较UNETR++显著降低，实现了精度与复杂度的良好平衡。

H2AL: Hyperbolic Hierarchy-aware Aggregative Learning for Registration-based Few-shot Medical Image Segmentation

H2AL：用于基于配准的小样本医学图像分割的双曲层次感知聚合学习

Jia Wang, Jiaming Cai, Zunying Hu, Zhanjie Wu, Jinyuan Liu, Hua Cheng, Yun Peng

机构 * Dalian University of Technology（大连理工大学） ； Chongqing University of Posts and Telecommunications（重庆邮电大学） 纠错

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

AI总结 针对基于配准的小样本医学图像分割忽视解剖结构层次的问题，提出H2AL框架，通过H2I模块与梯度聚合算法提升配准和分割性能，实验验证其有效性。

Comments 10 pages, 9 figures. Accepted at ACM Multimedia 2026 (MM '26)

DistMedVL: Distributional Vision-Language Alignment for Uncertainty-Aware Medical Image Segmentation

DistMedVL：面向不确定性感知医学图像分割的分布视觉-语言对齐方法

Jiaxuan Li, Qing Xu, Xiangjian He, Yue Li, Daokun Zhang, Fiseha B. Tesema, Rong Qu

机构 * University of Nottingham Ningbo China（宁波诺丁汉大学） ； University of Nottingham（诺丁汉大学） 纠错

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

AI总结 针对医学图像分割中视觉-语言跨模态对齐的不确定性问题，提出DistMedVL概率框架，含PCM-Adapter等模块，在8个基准上以6.3M参数实现优于SOTA的性能，数据效率等更优。

Comments 10 pages, 5 figures

Context Matters: Support Set Selection and Failure Detection for In-Context Medical Image Segmentation

上下文很重要：用于上下文医学图像分割的支持集选择与失败检测

Youssef Gehad, Emmanuel Zerefa, Krish Kabra, Guha Balakrishnan

机构 * Rice University（莱斯大学） 纠错

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

AI总结 本研究针对上下文医学图像分割，提出基于相似度的支持集选择方法，训练Transformer分类器预测分割失败，可提升性能并为临床安全部署提供机制。

Comments 10 pages

MSA-DCNN: A Data-Efficient Multi-Scale Attention Deformable CNN for Medical Image Classification

MSA-DCNN：一种用于医学图像分类的数据高效多尺度可变形卷积神经网络

Hamza Hussaini, Shahana Bano, Eyad Elyan, Carlos Francisco Moreno-García

机构 * Robert Gordon University（罗伯特·戈登大学） 纠错

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

AI总结 针对现有医学图像分类方法难题，提出MSA-DCNN框架，引入自适应多尺度采样等技术，在统一优化方案中学习跨尺度融合等。实验表明其在多方面性能优于基线且参数少，消融实验证实组件贡献，为数据高效医学图像分类提供基础。

SemiSAM-O1: Pushing the Boundary of Annotation-Efficient Medical Image Segmentation with Generalist Knowledge Fusion

SemiSAM-O1: 我们能将标注高效的医学图像分割边界推到多远？

Yichi Zhang, Le Xue, Bichun Xu, Judong Luo, Zhigang Wu, Yu Fu, Zixin Hu, Yuan Cheng, Yuan Qi

机构 * Artificial Intelligence Innovation and Incubation Institute, Fudan University, Shanghai, China.（复旦大学人工智能创新与孵化院，上海，中国） ； Shanghai Academy of Artificial Intelligence for Science, Shanghai, China.（上海人工智能科学研究院，上海，中国） ； Department of Radiotherapy, Tongji Hospital, School of Medicine, Tongji University, Shanghai, China.（同济大学附属同济医院放疗科，上海，中国） ； School of Information Science and Engineering, Lanzhou University, Lanzhou, China.（兰州大学信息科学与工程学院，兰州，中国） ； Department of Information and Intelligence Development, Zhongshan Hospital, Fudan University, Shanghai, China.（复旦大学中山医院信息与智能发展科，上海，中国） 纠错

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

AI总结 SemiSAM-O1通过仅使用一个标注模板图像，在极端一标签设置下实现高效分割，通过特征表示能力提升和迭代训练优化，显著缩小了半监督与全监督的性能差距并降低计算开销。

Recurrent Contrastive Learning for Imbalanced Medical Image Classification

用于不平衡医学图像分类的循环对比学习

Zhiyuan Zhu, Xinling Meng, Junxuan Yu, Jiongquan Chen, Qiongying Ni, Tuhang Shao, Yuhao Huang, Luping Zhou, Ruiyang Huang, Yuxue Wang, Rongliang Zhang, Xue Wang, Tianhong Tang, Likun Wang, Junbo Chen, Yong Jiang, Yongping Lu, Xin Yang

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

AI总结 针对医学图像分类的类别不平衡问题，提出循环对比学习方法，通过复用历史特征扩充尾类支持区域，经多数据集验证性能优于强基线。

Comments 10 pages, 3 figures

Journal ref The 7th MICCAI Workshop on Advances in Simplifying Medical UltraSound.2026

Generative AI and Foundation Models in Medical Image

医学影像中的生成式AI与基础模型

Masahiro Oda

机构 * Nagoya University（名古屋大学） ； Graduate School of Informatics, Nagoya University（名古屋大学信息学研究科） 纠错

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

AI总结 本文概述生成式AI相关的扩散模型、LLMs及基础模型，介绍其在医疗辅助中的应用，探讨基础模型的构建方法与医疗应用，并研究利用国家资源开发医疗辅助AI的路径。

Comments Review Article

Journal ref Radiological Physics and Technology, vol.18, pp.937-948, 2025

Intersectional Fairness in Vision-Language Models for Medical Image Disease Classification

视觉-语言模型在医学影像疾病分类中的交叉公平性

Yupeng Zhang, Adam G. Dunn, Usman Naseem, Jinman Kim

机构 * Biomedical Data Analysis and Visualisation (BDAV) Lab, School of Computer Science（生物医学数据分析与可视化实验室，计算机科学学院） ； Sydney School of Public Health（悉尼公共卫生学院） ； School of Computing（计算学院） 纠错

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

AI总结 本文提出CMAC-MMD框架，通过标准化交叉亚组的诊断确定性，减少医学影像疾病分类中的交叉偏见，提升诊断准确性和公平性。

From Spatial Semantics to Temporal Context: Leveraging Gaze Trajectory for Weakly Supervised Medical Image Segmentation

从空间语义到时间上下文：利用注视轨迹实现弱监督医学图像分割

Shaoxuan Wu, Xiao Zhang, Xiaodi Zhao, Yunzhi Tian, Yilin Tang, Jun Feng

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

AI总结 该研究针对医学图像分割依赖像素级标注的问题，提出TrailNet模型，结合注视点与轨迹建模时空上下文，引入循环蒸馏实现无注视推理，在公开数据集上取得优于现有方法的Dice分数。

Bi-Level Collaborative Learning for Few-Shot Scribble-Supervised Medical Image Segmentation

用于少样本涂鸦监督医学图像分割的双层协作学习

Xiang-Xiang Su, Yufan Ye, Yihang Zheng, Min Gan, Guang-Yong Chen

机构 * Fuzhou University（福州大学） ； Qingdao University（青岛大学） 纠错

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

AI总结 针对少样本涂鸦监督医学图像分割中样本稀缺和监督稀疏问题，提出双层协作学习框架，上层提供区域结构先验，下层生成可靠伪标签，上下层双向交互协作，在相关数据集上优于现有方法。

Unifying Active Learning and Semi-Supervised Learning for Medical Image Segmentation

统一主动学习和半监督学习用于医学图像分割

Bahram Jafrasteh, Cheng Wan, Heejong Kim, Johannes C. Paetzold, Qingyu Zhao

机构 * Weill Cornell Medicine（威尔康乃尔医学院） ； Cornell University（康奈尔大学） 纠错

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:Collaborative Feature Refinement Network for Medical Image Anomaly Detection

CFR-Net：用于医学图像异常检测的协作特征细化网络

Zihan Nie, Muhao Xu, Wei Feng, Yuan Cui, Hua Wei, Sijie Niu, Yi Wan, Xunbin Wei, Weiye Song, Zongyuan Ge

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）） 纠错

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: A Parameter-Efficient Mamba State Space U-Net with Dynamic Adaptive Scan for 3D Medical Image Segmentation

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

Mohammad Arafat Hussain, Ellen Grant, Yangming Ou

机构 * 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 ：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。

Superpixel-Based QUBO for Scalable Quantum-Enhanced Medical Image Segmentation

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

Mohammad Chalhoub, Mahdi Chehimi, Laia Domingo, Omar Alhussein, Ahmed Farouk, Saif Al-Kuwari

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） 纠错

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