医学 AI

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。

Efficient Search of Implantable Adaptive Cells for Medical Image Segmentation

高效搜索可植入自适应细胞用于医学图像分割

Emil Benedykciuk, Marcin Denkowski, Grzegorz M. Wójcik

机构 * Institute of Computer Science and Mathematics, Maria Curie Sklodowska University（马里亚·科洛多夫斯卡大学计算机科学与数学研究所） 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IAC-LTH框架，通过追踪操作重要性分布，加速搜索过程，减少计算成本，提升分割性能。

Comments 20 pages, 7 figures

Co-distilled attention guided masked image modeling with noisy teacher for self-supervised learning on medical images

协同蒸馏引导的掩码图像建模与噪声教师用于医学图像的自监督学习

Jue Jiang, Aneesh Rangnekar, Harini Veeraraghavan

机构 * Memorial Sloan Kettering Cancer Center（纪念斯隆凯特林癌症中心） 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DAGMaN框架，通过引导注意力的掩码机制和噪声教师提升医学图像自监督学习的效果，减少信息泄露并增强预训练难度，应用于肺结节分类、免疫治疗预测等任务。

Comments Accepted at MIDL 2025

Learning-Based Estimation of Spatially Resolved Scatter Radiation Fields in Interventional Radiology

基于学习的介入放射学中空间分辨散射辐射场估计

Felix Lehner, Pasquale Lombardo, Susana Castillo, Oliver Hupe, Marcus Magnor

机构 * Physikalisch-Technische Bundesanstalt (PTB)（物理技术联邦机构（PTB）） ； Belgian Nuclear Research Centre (SCK CEN)（比利时核研究中心（SCK CEN）） ； Institute for Computer Graphics, Technical University Braunschweig（计算机图形学研究所，技术大学布伦瑞克） ； Physics and Astronomy, University of New Mexico（物理与天文学，新墨西哥大学） ； Cluster of Excellence PhoenixD, Leibniz University Hannover（卓越中心PhoenixD，莱比锡大学汉诺威） 纠错

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

AI总结 本文提出三种轻量级全连接神经网络变体，用于交互式估计三维空间分辨散射辐射场，并评估其在医疗辐射防护中的应用。

Enhancing Reinforcement Learning for Radiology Report Generation with Evidence-aware Rewards and Self-correcting Preference Learning

通过证据感知奖励和自校正偏好学习增强放射科报告生成

Qin Zhou, Guoyan Liang, Qianyi Yang, Jingyuan Chen, Sai Wu, Chang Yao, Zhe Wang

机构 * Department of Computer Science and Engineering, ECUST（电子科技大学计算机科学与工程系） ； Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, P. R. China（教育部能源化工过程智能制造重点实验室） ； Zhejiang University（浙江大学） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术区（滨江）区块链与数据安全研究院） 纠错

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

AI总结 本文提出ESC-RL方法，结合证据感知对齐奖励和自校正偏好学习，提升放射科报告生成的临床准确性与持续改进能力，实验表明其在胸部X光数据集上表现优异。

Comments 13 pages,4 figures, ACL2026-main

DeferredSeg: A Multi-Expert Deferral Framework for Trustworthy Medical Image Segmentation

DeferredSeg: 一种多专家延迟框架用于可信的医学图像分割

Qiuyu Tian, Haoliang Sun, Yunshan Wang, Yinghuan Shi, Yilong Yin

机构 * School of Software, Shandong University（山东大学软件学院） ； Department of Clinical Laboratory, Shandong Provincial Hospital Affiliated to Shandong First Medical University（山东第一医科大学附属山东省人民医院临床检验科） ； School of Computer Science and Technology, Nanjing University（南京大学计算机科学与技术学院） 纠错

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

AI总结 DeferredSeg通过引入延迟感知分割框架，在医学图像分割中实现人机协作，通过动态路由和损失函数提升分割可靠性，优于基线方法。

Comments 27 pages,6 figures

Progressively Texture-Aware Diffusion for Contrast-Enhanced Sparse-View CT

逐步纹理感知扩散用于对比增强稀疏视图CT

Tianqi Wang, Wenchao Du, Hongyu Yang

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

AI总结 本文提出逐步纹理感知扩散模型，通过粗到细框架提升稀疏视图CT重建的结构相似性和视觉效果，仅需少量采样步即可实现高质量与高保真度的平衡。

Comments ICASSP2026

From Redaction to Restoration: Deep Learning for Medical Image Anonymization and Reconstruction

从遮蔽到重建：深度学习在医学图像匿名化与重建中的应用

Adrienne Kline, Abhijit Gaonkar, Daniel Pittman, Chris Kuehn, Nils Forkert

机构 * Center for Artificial Intelligence, BCVI, Northwestern Medicine（西北医学BCVI人工智能中心） ； Department of Electrical and Computer Engineering, Northwestern University（西北大学电气与计算机工程系） ； Department of Surgery, Northwestern University（西北大学外科学系） ； Xtasis Inc.（Xtasis公司） ； Medtronic（美敦力公司） ； Departments of Radiology and Clinical Neurosciences, University of Calgary（卡尔加里大学放射学与临床神经科学系） 纠错

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

AI总结 本文提出一种端到端的深度学习框架，用于将原始临床图像转换为去标识、适合分析的数据集，同时减少患者重新识别的风险。

RADA: Region-Aware Dual-encoder Auxiliary learning for Barely-supervised Medical Image Segmentation

RADA：区域感知双编码辅助学习用于微监督医学图像分割

Shuang Zeng, Boxu Xie, Lei Zhu, Xinliang Zhang, Jiakui Hu, Zhengjian Yao, Yuanwei Li, Yuxing Lu, Yanye Lu

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

AI总结 RADA提出一种区域感知双编码辅助学习框架，通过预训练Alpha-CLIP提取细粒度区域特征，结合图像和文本语义指导，实现高精度微监督医学图像分割。

Equivariance2Inverse: A Practical Self-Supervised CT Reconstruction Method Benchmarked on Real, Limited-Angle, and Blurred Data

Equivariance2Inverse：一种实用的自监督CT重建方法，经真实、有限角度和模糊数据测试

Dirk Elias Schut, Adriaan Graas, Robert van Liere, Tristan van Leeuwen

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

AI总结 本文提出Equivariance2Inverse方法，结合鲁棒等价成像与Sparse2Inverse，提升对模糊和有限角度数据的鲁棒性，并在真实数据和合成数据上验证其有效性。

Comments 13 pages, 4 figures

TAMISeg: Text-Aligned Multi-scale Medical Image Segmentation with Semantic Encoder Distillation

TAMISeg: 基于文本的多尺度医学图像分割与语义编码蒸馏

Qiang Gao, Yi Wang, Yong Zhang, Yong Li, Yongbing Deng, Lan Du, Cunjian Chen

机构 * Department of Data Science and AI, Monash University（蒙纳士大学数据科学与人工智能系） ； College of Computer Science, Chongqing University（重庆大学计算机学院） ； Chongqing University Central Hospital, School of Medicine（重庆大学附属中心医院医学院） 纠错

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

AI总结 TAMISeg通过整合临床语言提示和语义蒸馏增强视觉理解，减少对像素级标注的依赖，优于现有单模态和多模态方法。

Comments Accepted by IEEE International Conference on Multimedia and Expo (ICME), 2026

Evaluating the Impact of Medical Image Reconstruction on Downstream AI Fairness and Performance

评估医学图像重建对下游AI公平性和性能的影响

Matteo Wohlrapp, Niklas Bubeck, Daniel Rueckert, William Lotter

机构 * Department of Data Science, Dana-Farber Cancer Institute（丹娜-法伯癌症研究所数据科学系） ； AI in Medicine, Technical University of Munich（慕尼黑工业大学医学人工智能） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 研究通过结合重建与诊断AI模型，评估不同重建方法对下游任务性能和公平性的影响，发现传统指标无法准确反映任务表现，且重建可能放大性别偏见，但整体偏移量较小。

Comments Proceedings of the Medical Imaging with Deep Learning (MIDL) Conference 2026

Human Gaze-based Dual Teacher Guidance Learning for Semi-Supervised Medical Image Segmentation

基于人类 gaze 的双教师引导学习用于半监督医学图像分割

Rongjun Ge, Chong Wang, Yuxin Liu, Chunqiang Lu, Cong Xia, Yehui Jiang, Fangyi Xu, Yinsu Zhu, Daoqiang Zhang, Chengyu Liu, Yang Chen, Shuo Li, Yuting He

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

AI总结 本文提出HG-DTGL模型，结合gaze数据解决半监督医学图像分割中数据集规模有限和网络感知能力不足的问题，通过GazeMix和MGP模块提升模型性能。

Camyla: Scaling Autonomous Research in Medical Image Segmentation

Camyla：在医学图像分割领域实现自主研究的系统

Yifan Gao, Haoyue Li, Feng Yuan, Xin Gao, Weiran Huang, Xiaosong Wang

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

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

AI总结 Camyla通过自主实验生成研究提案、可执行实验和完整论文，解决了长期自主研究中的搜索漂移、知识退化和故障恢复问题，展示了医学图像分割领域大规模自主研究的可行性。

Comments Project page: https://yifangao112.github.io/camyla-page/

AC-MIL: Weakly Supervised Atrial LGE-MRI Quality Assessment via Adversarial Concept Disentanglement

AC-MIL：通过对抗性概念解缠实现弱监督心房LGE-MRI质量评估

K M Arefeen Sultan, Kaysen Hansen, Benjamin Orkild, Alan Morris, Eugene Kholmovski, Erik Bieging, Eugene Kwan, Ravi Ranjan, Ed DiBella, Shireen Elhabian

机构 * Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与成像研究所） ； Kahlert School of Computing, University of Utah（犹他大学卡勒特计算学院） ； Department of Biomedical Engineering, University of Utah（犹他大学生物医学工程系） ； Nora Eccles Harrison Cardiovascular Research and Training Institute, University of Utah（犹他大学诺拉·埃克尔斯·哈里森心血管研究与培训研究所） ； Department of Radiology and Imaging Sciences, University of Utah（犹他大学放射学与影像科学系） ； Department of Biomedical Engineering, Johns Hopkins（约翰霍普金斯大学生物医学工程系） ； Division of Cardiology, University of Utah（犹他大学心脏病学系） 纠错

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

AI总结 本文提出AC-MIL框架，通过仅使用体积级监督将全局图像质量分解为临床定义的放射学概念，利用对抗性擦除机制防止信息泄露，并引入空间多样性约束，实现高质量的心房LGE-MRI质量评估。

Radiology Report Generation for Low-Quality X-Ray Images

低质量X光图像的放射科报告生成

Hongze Zhu, Chen Hu, Jiaxuan Jiang, Hong Liu, Yawen Huang, Ming Hu, Tianyu Wang, Zhijian Wu, Yefeng Zheng

机构 * Westlake University（西湖大学） ； Tencent Jarvis Lab（腾讯贾维斯实验室） 纠错

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

AI总结 本文提出针对低质量图像的稳健报告生成框架，通过双循环训练策略提升模型在不同图像质量下的诊断能力。

A Dual Cross-Attention Graph Learning Framework For Multimodal MRI-Based Major Depressive Disorder Detection

一种双交叉注意力图学习框架用于多模态MRI基于重大抑郁障碍检测

Nojod M. Alotaibi, Areej M. Alhothali

机构 * King Abdulaziz University（阿卜杜勒阿齐兹国王大学） 纠错

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

AI总结 本文提出双交叉注意力融合框架，通过建模结构性MRI与功能型MRI的双向交互，提升多模态MRI在重大抑郁障碍检测中的性能，实验显示其在多种脑图谱类型中表现优异。

Comments 19 pages, 1 figure

Memory-efficient optimization of implicit neural representations for CT reconstruction

高效内存优化隐式神经表示用于CT重建

Mahrokh Najaf, Gregory Ongie

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

AI总结 本文提出一种基于梯度分解的随机梯度近似方法，以减少CT重建中隐式神经表示的GPU内存消耗，同时保持重建质量。

RobustMedSAM: Degradation-Resilient Medical Image Segmentation via Robust Foundation Model Adaptation

RobustMedSAM: 通过鲁棒基础模型适应实现抗退化的医学图像分割

Jieru Li, Matthew Chen, Micky C. Nnamdi, J. Ben Tamo, Benoit L. Marteau, May D. Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） 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RobustMedSAM，通过模块级检查点融合和参数高效变体，提升医学图像分割在退化数据下的鲁棒性，实验表明其在降质图像Dice系数上优于SAM。

Comments 14 pages, 9 figures

I Can't Believe TTA Is Not Better: When Test-Time Augmentation Hurts Medical Image Classification

我无法相信TTA并不更好：当测试时间增强伤害医学图像分类

Daniel Nobrega Medeiros

机构 * University of Colorado at Boulder（科罗拉多大学博尔德分校） 纠错

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

AI总结 本文通过三个MedMNIST v2基准和四种架构研究了测试时间增强（TTA）对医学图像分类的影响，发现TTA在多数情况下会降低准确率，尤其在病理图像上降幅达31.6个百分点，但皮肤科图像中ResNet-18略有提升。

Comments 9 pages, 7 figures, 2 tables