医学 AI

Revisiting 2D Foundation Models for Scalable 3D Medical Image Classification

重新审视用于可扩展3D医学图像分类的2D基础模型

Han Liu, Bogdan Georgescu, Yanbo Zhang, Youngjin Yoo, Michael Baumgartner, Riqiang Gao, Jianing Wang, Gengyan Zhao, Eli Gibson, Dorin Comaniciu, Sasa Grbic

机构 * Digital Technology and Innovation, Siemens Healthineers, Princeton NJ, USA（西门子医疗数字技术与创新，普林斯顿新泽西州，美国） ； Digital Technology and Innovation, Siemens Healthineers, Erlangen, Germany（西门子医疗数字技术与创新，埃尔兰根，德国） 纠错

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

AI总结 本文针对当前3D医学图像分类基础模型的数据偏差、适应不足和任务覆盖不全问题，提出AnyMC3D框架，通过冻结2D基础模型并添加轻量插件实现高效多任务扩展，并在12项任务上达到领先性能。

Comments 1st Place in VLM3D Challenge

Chaos-SSL: An Attention-Based Self-Supervised Learning Framework with Chaotic Transformation for Medical Image Classification

Chaos-SSL：基于混沌变换的注意力自监督学习框架用于医学图像分类

Joao Batista Florindo

机构 * Institute of Mathematics, Statistics and Scientific Computing, University of Campinas（数学、统计与科学计算研究所，坎皮纳斯大学） 纠错

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

AI总结 提出Chaos-SSL框架，利用一维混沌映射作为非线性数据增强进行自监督预训练，并结合注意力融合模型，在皮肤病变和糖尿病视网膜病变分类上达到与最先进方法竞争的性能。

Journal ref In Proceedings of VISAPP 2026 - Volume 1, pages 574-581

Cross-Stage Attention Multi-Expert Network for Radiologist-Inspired Breast Ultrasound Diagnosis

受放射科医生启发的乳腺超声诊断的跨阶段注意力多专家网络

Xinyang Zhai, Chong Yang, Ruizhi Zhang

机构 * International Agency for Research on Cancer (IARC)（国际癌症研究机构） ； World Health Organization（世界卫生组织） 纠错

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

AI总结 提出跨阶段注意力混合专家网络(CSA-MoE-Net)，通过跨阶段注意力模块增强多级特征、三分支MoE块从全肿瘤图像、肿瘤核心和边界学习互补特征，并在平衡数据集上实现96.33%准确率，显著优于基线ResNet-18。

SMAFormer: Synergistic Multi-Attention Transformer for Medical Image Segmentation

SMAFormer: 协同多注意力Transformer用于医学图像分割

Fuchen Zheng, Xuhang Chen, Weihuang Liu, Haolun Li, Yingtie Lei, Jiahui He, Chi-Man Pun, Shounjun Zhou

机构 * University of Macau（澳门大学） 纠错

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

AI总结 提出SMAFormer，一种融合像素注意力、通道注意力和空间注意力的Transformer架构，通过协同多注意力块和特征融合调制器提升小肿瘤和器官的分割性能。

Comments Accepted by IEEE BIBM 2024

A World Model of Radiologist Reading for Medical Image Representation Learning

放射科医生阅读的世界模型用于医学图像表示学习

Yiwei Li, Zihao Wu, Huaqin Zhao, Yifan Zhou, Chao Cao, Dajiang Zhu, Tianming Liu, Lin Zhao

机构 * University of Georgia（佐治亚大学） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； New Jersey Institute of Technology（新泽西理工学院） 纠错

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

AI总结 提出GazeWorld，一种将图像视为世界、放射科医生注视序列视为轨迹的医学成像世界模型，通过自回归预测注视补丁表示和空间补全未访问区域，在多个基准上实现最先进的诊断准确率和零样本性能。

Beyond Euclidean Prototypes: Spectral Disentanglement and Geodesic Matching for Few-Shot Medical Image Segmentation

超越欧几里得原型：基于谱分解和测地匹配的少样本医学图像分割

Penghao Jia, Zhiyong Huang, Mingyang Hou, Zhi Yu, Shuai Miao, Jiahong Wang, Yan Yan

机构 * School of Microelectronics and Communication Engineering, Chongqing University（重庆大学微电子与通信工程学院） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） 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Spectral-Geodesic Prototype Network (SGP-Net)，通过谱原型银行和测地匹配器解决少样本医学图像分割中的原型纠缠和拓扑盲匹配问题，实现对形状、纹理和边界线索的解耦编码。

Patch-MoE Mamba: A Patch-Ordered Mixture-of-Experts State Space Architecture for Medical Image Segmentation

Patch-MoE Mamba: 一种用于医学图像分割的基于补丁顺序的专家混合状态空间架构

Diego Adame, Fabian Vazquez, Jose A. Nunez, Huimin Li, Jinghao Yang, Erik Enriquez, DongChul Kim, Haoteng Tang, Bin Fu, Pengfei Gu

机构 * University of Texas Rio Grande Valley（德克萨斯理工大学里奥格兰德谷分校） 纠错

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

AI总结 本文提出了一种基于补丁顺序的专家混合状态空间架构Patch-MoE Mamba，以解决现有Mamba分割模型在像素级方向扫描破坏局部二维空间结构以及简单求和融合方向无法适应多样物体大小、形状和边界的问题。

GLT-PEFT: Gated Lie-Tucker Parameter-Efficient Fine-Tuning for Alzheimer's Disease Diagnosis with Hippocampal Segmentation Pretraining

GLT-PEFT: 基于门控李-塔克参数高效微调的阿尔茨海默病诊断方法（结合海马体分割预训练）

Guanghua He, Hancan Zhu, Gaohang Yu, An Zhang

机构 * Department of Mathematics, Hangzhou Dianzi University（杭州电子科技大学数学系） ； School of Mathematics, Physics and Information, Shaoxing University（绍兴大学数学与物理学院） ； Department of Mathematics, Zhejiang University of Science and Technology（浙江科技学院数学系） 纠错

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

AI总结 本文提出GLT-PEFT方法，通过门控李-塔克分解实现高效参数微调，用于阿尔茨海默病诊断，结合海马体分割预训练，提升医学影像模型的适应性与鲁棒性。

SpectraFlow: Unifying Structural Pretraining and Frequency Adaptation for Medical Image Segmentation

SpectraFlow：统一结构预训练与频率适应用于医学图像分割

Zhiquan Chen, Haitao Wang, Guowei Zou, Hejun Wu

机构 * School of Computer Science（计算机科学学院） ； Engineering, Sun Yat-sen University（工程，中山大学） ； Guangdong Key Laboratory of Big Data Analysis（大数据分析与处理重点实验室） 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SpectraFlow框架，结合结构感知编码器预训练与边界导向解码，解决低数据下医学图像分割的挑战，提升鲁棒性和边界精度。

Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation

多模态因果驱动表示学习用于通用化医学图像分割

Xusheng Liang, Lihua Zhou, Nianxin Li, Miao Xu, Ziyang Song, Dong Yi, Jinlin Wu, Jiawei Ma, Hongbin Liu, Zhen Lei, Jiebo Luo

机构 * City University of Hong Kong（香港城市大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； CAIR, HKISI, Chinese Academy of Sciences（中国科学院计算智能研究所） ； UESTC（电子科技大学） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 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MCDRL框架，结合因果推理与VLM解决医学图像分割的领域泛化问题，通过文本提示识别病变区域并消除领域特定影响，提升分割准确性与泛化能力。

Comments Accepted by CVPR 2026

CRAFT: Clinical Reward-Aligned Finetuning for Medical Image Synthesis

CRAFT：面向医学图像合成的临床对齐微调

Yunsung Chung, Alex El Darzi, Carlo El Khoury, Han Feng, Nassir Marrouche, Jihun Hamm

机构 * Department of Computer Science, Tulane University（路易斯安那大学计算机科学系） ； School of Medicine, Tulane University（路易斯安那大学医学院） 纠错

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

AI总结 本文提出CRAFT框架，通过临床对齐评分和奖励优化提升医学图像生成质量，减少幻觉生成，提升分类性能。

MieDB-100k: A Comprehensive Dataset for Medical Image Editing

MieDB-100k：用于医学图像编辑的综合数据集

Yongfan Lai, Wen Qian, Bo Liu, Hongyan Li, Hao Luo, Fan Wang, Bohan Zhuang, Shenda Hong

机构 * State Key Laboratory of General Artificial Intelligence, Beijing, China（1 国家一般人工智能重点实验室，北京，中国） ； School of Intelligence Science and Technology, Peking University, Beijing, China（2 智能科学与技术学院，北京大学，北京，中国） ； National Institute of Health Data Science, Peking University, Beijing, China（3 国家健康数据科学研究院，北京大学，北京，中国） ； DAMO Academy, Alibaba Group, Zhejiang, China（4 阿里巴巴集团 DAMO 院，浙江，中国） ； hupan lab, zhejiang province（5 鹏元实验室，浙江省） ； Zhejiang University, Zhejiang, China（6 浙江大学，浙江，中国） 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MieDB-100k数据集，通过数据筛选流程结合专家模型与规则生成方法，解决医学图像编辑中数据质量、多样性与可扩展性不足的问题，实验表明其在医学图像编辑任务中表现优异。

Beyond Masks: The Case for Medical Image Parsing

超越遮罩：医疗图像解析的必要性

Siddharth Gupta, Alan L. Yuille, Zongwei Zhou

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Northwestern University（西北大学） ； Johns Hopkins Medicine（约翰霍普金斯医学） 纠错

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

AI总结 医疗影像研究应转向医疗图像解析作为核心输出，通过结构化表示实体、属性与关系，实现一致且完整的描述，以提升诊断、重建和预测能力。

USEMA: a Scalable Efficient Mamba Like Attention for Medical Image Segmentation

USEMA: 一种可扩展且高效的Mamba类注意力机制用于医学图像分割

Elisha Dayag, Nhat Thanh Tran, Jack Xin

机构 * University of California Irvine（加州大学 Irvine 分校） 纠错

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

AI总结 USEMA结合了CNN的局部特征提取能力与SEMA注意力机制，通过局部窗口注意力和理论一致的算术平均，提升医学图像分割的计算效率和性能。

Principle-Guided Supervision for Interpretable Uncertainty in Medical Image Segmentation

基于原则的可解释不确定性监督在医学图像分割中

An Sui, Yuzhu Li, Gunter Schumann, Fuping Wu, Xiahai Zhuang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学脑启发智能科学研究院） ； National Heart and Lung Institute, Imperial College London（伦敦帝国理工学院国家心脏和肺研究所） 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PriUS框架，通过原则指导提升医学图像分割中不确定性的可解释性，实验表明其在保持分割性能的同时提升了不确定性估计的一致性。

Comments 14 pages, 8 figures

Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation

跨域少样本医学图像分割的几何感知原型学习

Feifan Song, Yuntian Bo, Haofeng Zhang

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） 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GeoProto框架，通过引入几何结构先验提升跨域少样本医学图像分割性能，实验显示其在多个数据集上达到最优效果。

DuetFair: Coupling Inter- and Intra-Subgroup Robustness for Fair Medical Image Segmentation

DuetFair: 联合跨组和内组鲁棒性以实现公平的医学图像分割

Yiqi Tian, Sangjoon Park, Bo Zeng, Pengfei Jin, Yujin Oh, Quanzheng Li

机构 * Center for Advanced Medical Computing and Analysis, Massachusetts General Hospital and Harvard Medical School（先进医学计算与分析中心，麻省总医院和哈佛医学院） ； Department of Industrial Engineering, University of Pittsburgh（工业工程系，匹兹堡大学） ； Department of Radiation Oncology, College of Medicine, Yonsei University（放射肿瘤学系，延世大学医学院） ； Institute for Innovation in Digital Healthcare, Yonsei University（数字医疗创新研究所，延世大学） ； Department of Biomedical Systems Informatics, College of Medicine, Yonsei University（生物医学系统信息学系，延世大学医学院） 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DuetFair机制，通过联合考虑跨组适应和内组鲁棒性，解决医学图像分割中内组隐藏失败问题，并在三个医学图像分割基准上验证了FairDRO的有效性。

Comments 16 pages, 2 figures

S2M-Net: Spectral-Spatial Mixing for Medical Image Segmentation with Morphology-Aware Adaptive Loss

S2M-Net：基于光谱-空间混合的医学图像分割方法：具有形态感知自适应损失

Md. Sanaullah Chowdhury Lameya Sabrin

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

AI总结 S2M-Net通过光谱选择性令牌混合和形态感知自适应分割损失，在保持全局上下文的同时实现局部精度与计算效率的平衡，取得医学图像分割的最新成果。

Comments I would like to withdraw the paper from arXiv because the current version contains issues that need to be carefully revised before public dissemination

Beyond Forgetting in Continual Medical Image Segmentation: A Comprehensive Benchmark Study

超越持续学习中的遗忘：持续医学图像分割的全面基准研究

Bomin Wang, Hangqi Zhou, Yibo Gao, Xiahai Zhuang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） 纠错

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

AI总结 本文针对持续医学图像分割中的三大挑战，提出全面的基准研究，评估了不同方法在泛化性、遗忘抑制、可塑性等方面的表现，发现基于重放的方法在稳定性和可塑性之间取得最佳平衡。

Comments Submitted to a journal

Prompt-Free and Efficient SAM2 Adaptation for Biomedical Semantic Segmentation via Dual Adapters

无需提示的高效SAM2适应用于生物医学语义分割的双适配器

Hinako Mitsuoka, Kazuhiro Hotta

机构 * Meijo University（名古屋大学） 纠错

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

AI总结 本文提出一种无需提示的高效SAM2适应框架，通过双适配器策略提升生物医学分割性能，实验表明在多个数据集上准确率提升19.66%，计算成本降低87%。

Comments Accepted by ICIP2026

MedFlowSeg: Flow Matching for Medical Image Segmentation with Frequency-Aware Attention

MedFlowSeg: 基于频率感知注意力的医学图像分割中的流匹配

Zhi Chen, Runze Hu, Le Zhang

机构 * School of Engineering, University of Birmingham（伯明翰大学工程学院） ； School of Public Health, Peking University（北京大学公共卫生学院） 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MedFlowSeg，通过流匹配框架将医学图像分割建模为学习时间依赖的向量场，以更高效地推断并保持生成模型的灵活性。引入双条件机制和频率感知注意力模块，提升结构一致性与边界定义。

RadLite: Multi-Task LoRA Fine-Tuning of Small Language Models for CPU-Deployable Radiology AI

RadLite：用于CPU部署的放射学AI的多任务LoRA微调小型语言模型

Pankaj Gupta, Kartik Bose

机构 * Postgraduate Institute of Medical Education and Research（医学教育与研究研究生院） 纠错

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

AI总结 研究通过LoRA微调小型语言模型，实现放射学多任务性能，展示在消费级CPU上部署的可行性，提出RadLite模型。

Primus: Enforcing Attention Usage for 3D Medical Image Segmentation

Primus：强制使用注意力机制用于3D医学图像分割

Tassilo Wald, Saikat Roy, Fabian Isensee, Constantin Ulrich, Sebastian Ziegler, Dasha Trofimova, Raphael Stock, Michael Baumgartner, Gregor Köhler, Klaus Maier-Hein

机构 * Division of Medical Image Computing, German Cancer Research Center, Heidelberg（德国癌症研究中心医学图像计算部门，海德堡） ； Faculty of Mathematics and Computer Science, Heidelberg University（海德堡大学数学与计算机科学学院） ； Helmholtz Imaging, German Cancer Research Center（德国癌症研究中心赫尔姆霍茨成像中心） ； Medical Faculty, Heidelberg University（海德堡大学医学系） ； National Center for Tumor Diseases (NCT), NCT Heidelberg（海德堡国家肿瘤疾病中心（NCT）） ； Pattern Analysis and Learning Group, Department of Radiation Oncology（放射肿瘤学系模式分析与学习小组） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), Abu Dhabi（阿布扎克穆罕默德·本·扎耶德人工智能大学） 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Primus和PrimusV2，通过引入Transformer为中心的分割架构，解决了现有Transformer模型在3D医学图像分割中的不足，实现了与CNNs的竞争力。

Comments Accepted in Transactions on Machine Learning Research (TMLR)

Uncertainty-Aware Information Pursuit for Interpretable and Reliable Medical Image Analysis

面向可解释和可靠医疗图像分析的不确定性感知信息追求

Md Nahiduzzaman, Steven Korevaar, Zongyuan Ge, Feng Xia, Alireza Bab-Hadiashar, Ruwan Tennakoon

机构 * School of Computing Technologies（计算技术学院） ； RMIT University（皇家墨尔本理工大学） ； Faculty of Engineering（工程学院） ； Monash University（莫纳什大学） ； School of Engineering（工程学院） 纠错

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

AI总结 本文提出一种可解释且考虑不确定性的框架，通过整合不确定性估计到V-IP查询过程中，优先选择每个样本更可靠的特征，提升医疗图像分析的可靠性与临床相关性。

Comments Accepted to IEEE Transactions on Medical Imaging (IEEE TMI 2025)

SemiGDA: Generative Dual-distribution Alignment for Semi-Supervised Medical Image Segmentation

SemiGDA: 生成双分布对齐用于半监督医学图像分割

Kaiwen Huang, Yi Zhou, Yizhe Zhang, Jingxiong Li, Tao Zhou

机构 * Nanjing University of Science and Technology（南京理工大学） ； Southeast University（东南大学） 纠错

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

AI总结 SemiGDA通过双分布对齐模块和一致性驱动跳过适配器提升半监督医学图像分割的语义学习和场景适应性，实验表明其优于现有方法。

Comments This paper have been accepted by CVPR 2026

MAE-Based Self-Supervised Pretraining for Data-Efficient Medical Image Segmentation Using nnFormer

基于MAE的自监督预训练用于数据高效医学图像分割的nnFormer

R. M. Krishna Sureddi, T. Satyanarayana Murthy, Nomula Varsha Reddy, Adi Kanishka, Nalla Manvika Reddy

机构 * Chaitanya Bharathi Institute of Technology（恰蒂斯赫尔学院技术学院） 纠错

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

AI总结 本文提出基于MAE的自监督预训练方法，提升nnFormer在医学图像分割中的数据效率，实现更高的Dice得分、更快的收敛速度和更好的小样本泛化能力。

Comments 4 pages, 2 figures, 2 tables

CoRe: Joint Optimization with Contrastive Learning for Medical Image Registration

CoRe：基于对比学习的医学图像配准联合优化

Eytan Kats, Christoph Grossbroehmer, Ziad Al-Haj Hemidi, Fenja Falta, Wiebke Heyer, Mattias P. Heinrich

机构 * Insitute of Medical Informatics, University of Luebeck, Luebeck, Germany（吕贝克大学医学信息学研究所） 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CoRe框架，将对比学习直接整合到配准模型中，通过联合优化对比和配准目标，提升特征表示的鲁棒性，实验表明在腹部和胸腔配准任务中性能优于基线方法。

Comments Preprint

MSLAU-Net: A Hybrid CNN-Transformer Network for Medical Image Segmentation

MSLAU-Net：一种用于医学图像分割的混合CNN-Transformer网络

Libin Lan, Yanxin Li, Xiaojuan Liu, Juan Zhou, Jianxun Zhang, Nannan Huang, Yudong Zhang

机构 * College of Computer Science and Engineering（计算机科学与工程学院） ； College of Artificial Intelligence（人工智能学院） ； Department of Pharmacy（药学部） ； Department of Prosthodontics（修复学部） ； Chongqing Key Laboratory of Oral Diseases（重庆口腔疾病重点实验室） ； Chongqing Municipal Key Laboratory of Oral Biomedical Engineering of Higher Education（重庆市口腔生物医学工程高等教育重点实验室） ； School of Computer Science and Engineering（计算机科学与工程学院） ； Southeast University（东南大学） 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MSLAU-Net，结合CNN和Transformer的优势，通过多尺度线性注意力和自上而下特征聚合机制，提升医学图像分割的精度与效率。

Comments 15 pages, 7 figures, 9 tables

Benchmarking Real-World Medical Image Classification with Noisy Labels: Challenges, Practice, and Outlook

基于噪声标签的医疗图像分类基准测试：挑战、实践与展望

Yuan Ma, Junlin Hou, Chao Zhang, Yukun Zhou, Zongyuan Ge, Haoran Xie, Lie Ju

机构 * Japan Advanced Institute of Science and Technology（日本科学技术先进研究院） ； University College London（伦敦大学学院） ； The Hong Kong University of Science and Technology（香港科学大学） ； University of Toyama（toyama大学） ； Monash University（墨尔本大学） 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LNMBench基准，评估医疗图像中噪声标签对分类性能的影响，揭示现有方法在高噪声下的表现问题，并提出改进方案以提升模型鲁棒性。

Journal ref Pattern Recognition, 2026, 113647

Dental Panoramic Radiograph Analysis Using YOLO26 From Tooth Detection to Disease Diagnosis

使用YOLOv26分析牙科全景放射图像：从牙齿检测到疾病诊断

Khawaja Azfar Asif, Rafaqat Alam Khan

机构 * Department of Software Engineering, Lahore Garrison University, DHA Phase 6, Lahore, Pakistan（软件工程系，拉合尔 Garrison 大学，DHA 第6阶段，拉合尔，巴基斯坦） 纠错

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

AI总结 本文提出利用YOLOv26实现牙科全景放射图像的自动化牙齿检测、FDI编号和疾病分割，通过DENTEX数据集预处理和五种YOLOv26-seg变体训练，验证了模型在牙齿检测和疾病分割中的高效性和准确性。