医学 AI

DSU-Net: An Attention-Enhanced Dense Skip U-Net for Breast Lesion Segmentation in Mammographic Images

DSU-Net：用于乳腺X线图像中乳腺病变分割的注意力增强密集跳跃U-Net

Reza Bozorgpour, Mohammadreza Soltany Sadrabadi

机构 * Department of Biomedical Engineering, University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校生物医学工程系） ； Department of Mechanical Engineering, Northern Arizona University（北亚利桑那大学机械工程系） 纠错

专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV、q-bio、eess.IV

AI总结 提出DSU-Net，通过密集跳跃连接和注意力机制改进特征传播与边界描绘，在CBIS-DDSM数据集上实现高精度乳腺病变分割。

RIPE++: Reinforced Keypoint Learning from Positive Pairs Only

RIPE++：仅从正样本对中学习的强化关键点学习

Johannes Künzel, Peter Eisert, Anna Hilsmann

机构 * Fraunhofer Heinrich-Hertz-Institute, HHI（弗劳恩霍夫海因里希·赫兹研究所） ； Humboldt University Berlin（柏林洪堡大学） 纠错

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

AI总结 本文提出RIPE++，一种仅从正样本对学习的强化关键点学习方法，适配LightGlue后提升了MegaDepth1500的AUC@5，可用于低纹理医学视频等监督有限的场景。

Comments LIMIT@ECCV 2026

Optic Disc Segmentation in Fundus Images: From Classical Image Processing and Deformable Models to Modern AI

眼底图像中的视盘分割：从经典图像处理与可变形模型到现代人工智能

Buket D. Barkana

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

AI总结 本综述梳理视盘分割技术从经典方法到现代AI方法的发展，总结核心原则，指出边界模糊等持续挑战，为该领域研究提供方法学参考。

AppendiGrade: An XAI-Enhanced Deep Learning Framework for Grading Appendicitis in Ultrasound with Gaussian Blur and Grad-CAM

AppendiGrade：一种结合高斯模糊与Grad-CAM的可解释人工智能（XAI）增强深度学习框架，用于超声图像中阑尾炎的分级

Fahad Ahammed, Omar Faruq Shikdar, Navid Zaman, Md Tahsin, Md. Nawab Yousuf Ali, Golam Sorwar

机构 * Ca’ Foscari University of Venice（威尼斯大学） ； East West University（东西方大学） ； Tokyo International University（东京国际大学） ； Southern Cross University（南十字星大学） 纠错

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

AI总结 本研究开发了XAI增强的深度学习框架AppendiGrade，用含4679张5类超声图像的数据集训练优化后的InceptionV3模型，实现阑尾炎分级准确率95.58%，辅以Grad-CAM热力图便于专家交叉验证。

Modality-Invariant Coarse-to-Fine Retinal Image Registration

模态无关的由粗到细视网膜图像配准

Bo Wen, Nehal Nailesh Mehta, Melanie Tran, Dirk-Uwe Bartsch, William Freeman, Truong Nguyen

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

AI总结 针对现有视网膜配准方法依赖模态的局限，提出可泛化的两阶段模态无关框架，含稀疏特征匹配模型与MI-RAFT网络，在多模态视网膜图像配准中性能优于现有方法。

Comments This paper is a submission to IEEE Transactions on Image Processing (TIP-40498-2026)

Zero-Shot Adaptation of Medical Vision Foundation Models for High-Frequency Micro-Ultrasound Prostate Segmentation

用于高频微超声前列腺分割的医学视觉基础模型的零样本适配

Ayusha Abbas, Saram Abbas, Kabita Adhikari

机构 * Newcastle University（纽卡斯尔大学） 纠错

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

AI总结 本研究提出首个针对高频微超声前列腺分割的零样本流程，基于预训练的MedSAM模型，结合CLAHE、二值膨胀与傅里叶平滑优化，在测试集上显著降低边界误差，分割效果接近非专家水平且无需额外数据。

On Cross-Validation for Hyperparameter Optimization of Deep Learning Image Classifiers

深度学习图像分类器超参数优化的交叉验证方法研究

Ljubomir Buturovic

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

AI总结 该研究对比固定留出、重排留出、5折交叉验证三种超参数优化协议，发现小样本医学图像分类中交叉验证法的绝对性能估计误差更低，推荐计算资源充足时采用该方法。

What to Preserve, Where to Adapt: A Depth-Wise Analysis of Forgetting in Continual Gynecological Image Segmentation

保留什么，适配何处：妇科图像持续分割中遗忘的深度分析

Amal Saqib, Tausifa Jan Saleem, Numan Saeed, Mohammad Yaqub

机构 * Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学（MBZUAI）） 纠错

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

AI总结 针对妇科图像持续分割中灾难性遗忘问题，通过分块消融与受控适配实验，揭示网络深度上的更新位置对遗忘的影响，为解决该场景下的持续学习问题提供依据。

Positive-Unlabeled Preference Optimization For Chest X-ray Report Generation

面向胸部X射线报告生成的正例-无标签偏好优化

Yuta Kobayashi, Pradyun Ramesh, Muhammad Ahmed Chaudhry, Vincent Jeanselme, Judy Wawira Gichoya, Sanmi Koyejo, Kathleen Capaccione, Shalmali Joshi

机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Emory University（埃默里大学） 纠错

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

AI总结 该研究针对放射报告生成VLM的遗漏噪声问题，提出PU-DPO框架，将未提及项视为无标签，通过对比对优化，提升病理检测率与隐藏正例恢复能力，增强对遗漏噪声的鲁棒性。

An Accessible Solution for Deformable Image Registration Compared with Learning-Based Approaches

与基于学习的方法相比可变形图像配准的可及解决方案

Onur Ali Zeybekoglu, David Tilly, Orcun Goksel

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

AI总结 本研究提出pTVreg的可及实现及自动设置参数的贝叶斯优化框架，在Lung250M-4B数据集上其性能优于现有深度学习方案及其他pTVreg变体。

ScaFE: Data-Efficient Scar Classification with LLM-Generated Clinical Feature Programs

ScaFE：基于大语言模型生成的临床特征程序实现数据高效的瘢痕分类

Ruman Wang, Hangting Ye

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

AI总结 ScaFE将LLM临床知识转化为本地可执行的特征程序，结合轻量级随机森林，在瘢痕分类任务中实现数据高效、跨站点的高性能，且决策可审计，优于现有基线模型。

ESRVS: Extreme Semi-Supervised Retinal Vessel Segmentation with a Single Annotated Image

ESRVS：基于单张标注图像的极端半监督视网膜血管分割

Mingzhi Xu, Yizhe Zhang

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

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

AI总结 研究极端半监督下视网膜血管分割问题，提出ESRVS方法，通过选择参考图像、传递血管线索、构建原型等操作生成伪标签并优化监督，在多数据集上表现优异，证明基础模型标签传播对高效视网膜血管分割有潜力。

Comments 15 pages, 2 figures.Accepted by PRCV 2026

Variational Low-rank Tensor Decomposition for Multisubject Spatiotemporal Data Analysis

用于多主体时空数据分析的变分低秩张量分解

Laura M. Montaldo, Ricardo A. Borsoi, Sebastian Miron, Tulay Adali

机构 * CRAN, Université de Lorraine, CNRS, Vandoeuvre-lès-Nancy, France（CRAN、洛林大学、CNRS、法国凡多伊-勒-纳恩西） 纠错

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

AI总结 针对多主体时空数据建模难题，提出时空变分张量分解框架，结合张量分解模型与结构化先验，利用LL1和LSTM分别处理空间和时间因子，经展开优化算法迭代推理，热启动策略提升性能，实验显示其优于基准方法。

Comments 6 pages, 2 figures, conference

Self-supervision drives representational convergence in medical foundation models more than clinical supervision

自我监督比临床监督更能推动医学基础模型中的表征趋同

Soroosh Tayebi Arasteh, Sebastian Ziegelmayer, Mahshad Lotfinia, Lisa Adams, Sven Nebelung, Jakob Nikolas Kather, Daniel Truhn

机构 * RWTH Aachen University（亚琛工业大学） ； University Hospital RWTH Aachen（亚琛工业大学附属医院） ； Technical University of Munich（慕尼黑工业大学） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学） ； Technical University Dresden（德累斯顿工业大学） ； University Hospital Dresden（德累斯顿大学附属医院） ； University Hospital Heidelberg（海德堡大学附属医院） 纠错

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

AI总结 研究探讨医学基础模型中表征趋同问题，通过对多个编码器剖析发现自我监督比临床监督更能驱动收敛，虽收敛有限但线性分类器可跨编码器转移，表明医学成像收敛由预训练目标决定，为互操作性设计与验证提供依据。

Pediatric Bone Age Prediction Using Deep Learning

基于深度学习的小儿骨龄预测

Al Zadid Sultan Bin Habib, Md. Ekramul Islam, Md Asif Bin Syed, Md Younus Ahamed, Tanpia Tasnim

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

AI总结 研究利用深度学习，通过带加法注意力的 EfficientNet 及超过 12000 张 RSNA 数据集的 X 光图像，经预处理和卷积神经网络训练预测小儿骨龄，使用两个模型变体对比，结果显示该方法更准确有效，为小儿内分泌疾病诊断提供新方案。

Comments Published in 2023 26th International Conference on Computer and Information Technology (ICCIT), IEEE, December 2023

TCAM-Diff: Triplane-Aware Cross-Attention Medical Diffusion Model

TCAM-Diff：三平面感知交叉注意力医学扩散模型

Zhenkai Zhang, Krista A. Ehinger, Tom Drummond

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

AI总结 研究提出TCAM-Diff这一3D医学图像生成模型，采用仅解码器自动编码器方法学习三平面表示，利用三平面感知交叉注意力扩散模型整合特征，经预训练解码器模块转换为3D体素，在多规模医学数据集实验中结果出色，优于其他类似方法。

Comments Accepted at AAAI 2025. Code is available at https://github.com/Fredy-Zhang/TCAM-Diff

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(21): 22732-22740, 2025

Steering Diffusion Models via Class-Contrastive Influence for Few-Shot Medical Classification

通过类对比影响引导扩散模型进行少样本医学分类

Jeeyung Kim, Erfan Esmaeili, Qiang Qiu

机构 * Purdue University（普渡大学） 纠错

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

AI总结 针对少样本医学分类中标记数据稀缺，现有方法忽视样本对分类有用性衡量与优化的问题，提出类对比影响（C2I）准则，通过强化学习用C2I奖励微调扩散模型，引导生成类信息丰富样本，提高了下游准确性和鲁棒性。

Toward Efficient Weakly Supervised Semantic Segmentation Using Only Low-Magnification Histopathological Images

仅使用低倍率组织病理学图像实现高效弱监督语义分割

Dung Minh Do, Nhat-Thanh Huynh, Duc Minh Huynh, Doanh C. Bui, Khang Nguyen

机构 * University of Information Technology, Ho Chi Minh City, Vietnam（越南胡志明市信息科技学院） ； Vietnam National University Ho Chi Minh City, Ho Chi Minh City, Vietnam（越南国家大学胡志明市分校） 纠错

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

AI总结 研究探讨仅用低倍率组织病理学图像实现高效弱监督语义分割，通过模拟低倍率输入并重建，构建框架评估弱监督方法对分辨率退化的响应，发现重建质量指标不能预测分割性能，确定关键退化点，为设计数字病理存储系统提供指导。

Comments Accepted at MAPR 2026

Mirror-Fusion Attention for Reflection-Aware Self-Supervised Representation Learning

镜像融合注意力用于反射感知的自监督表示学习

Ruixin Li, Jin Liu, Yuling Shi, Stefano Lodi

机构 * University of Bologna（博洛尼亚大学） ； Jilin University（吉林大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 提出MFASSL框架，通过镜像融合注意力模块在自监督学习中注入软反射先验，提升医学图像和人脸等近似对称数据的下游性能与鲁棒性。

Comments Accepted at ECML PKDD 2026. The final authenticated version will be available in the Springer LNCS proceedings

TEAMS: Text-prompted spatiotEmporal dual-heAd Mamba Snake

TEAMS：文本提示的时空双路头Mamba Snake

Ruicheng Zhang, Jianhui Lei, Kaiwen Shen, Haowei Guo, Jun Zhou, Bin Chen, Mengtang Li, Shen Zhao, Shuo Li

机构 * School of intelligent systems engineering, Sun Yat-sen University（中山大学智能系统工程学院） ； Affiliated Hangzhou First People’s Hospital, Zhejiang University School of Medicine（浙江大学医学院附属杭州市第一人民医院） ； School of Engineering, Case Western Reserve University（凯斯西储大学工程学院） 纠错

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

AI总结 该研究提出视觉-语言Mamba框架TEAMS，通过三项创新改进深度蛇方法，在五个医学图像数据集上较现有方法取得显著性能提升，可作为多种医学图像分割场景的可靠工具。

Comments Medical Image Analysis (MedIA), 2026, In Press, Online Early Access Available

Parameter-Efficient Adaptation of SAM3 for Prompt-Driven Surgical Concept Segmentation

用于提示驱动手术概念分割的 SAM3 的参数高效适配

Changjing Liu, Yiming Huang, Beilei Cui, Liangjing Shao, Long Bai, Yanheng Li, Haoxuan Che, Hongliang Ren

机构 * The Chinese University of Hong Kong（香港中文大学） ； XGEN Labs（XGEN实验室） 纠错

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

AI总结 针对手术数据与预训练数据的领域差距及现有方法计算消耗大效率低的问题，提出用低秩适配（LoRA）对 SAM3 进行参数高效适配用于手术概念分割，该方法在单个 GPU 上训练且性能优于主流基线，结果可支持下游手术场景重建和模拟。

Comments Accepted by The 2nd MICCAI Workshop on Efficient Medical AI

HemoPIC: A Physics-Informed Cerebral Hemodynamics Digital Twin for Brain Perfusion

HemoPIC：用于脑灌注的物理信息脑血流动力学数字孪生模型

Yi-Chen Lee, Peirong Liu

专题命中 医学影像 ：diagnosis(abstract)；分类 q-bio、eess.IV

AI总结 研究提出物理信息脑血流动力学数字孪生模型HemoPIC，通过解决约束反问题，联合估计数字孪生参数和潜在状态，消除常规灌注定量中的手动AIF选择和反卷积，直接生成临床可行的灌注汇总图，还能进行正向模拟和反事实干预分析。

When Adaptation Hurts: Connecting Representational Drift to OOD Failures in MedSAM Fine-Tuning

当适应适得其反：将表征漂移与MedSAM微调中的分布外故障关联起来

Marko Haralović, Sounic Akkaraju, Carlo Baretta, Vasil Zapryanov, Alexia Briassouli

机构 * University of Zagreb（萨格勒布大学） ； University of Twente（特温特大学） 纠错

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

AI总结 本研究分析MedSAM的六种微调策略在不同医学图像数据集上的泛化表现，发现仅编码器LoRA等策略可缓解远分布外性能下降，提示随机抖动能提升模型鲁棒性。

Comments Accepted at the SAFER Workshop, MICCAI 2026

Prompt-Conditioned Channel Attention for Hierarchical Feature Modulation toward Anatomy-Agnostic Segmentation

面向解剖结构无关分割的提示条件通道注意力用于分层特征调制

Mosharof Hossain, Md Rabiul Islam, Limon Halder, Erchin Serpedin, Md Kamrul Hasan

机构 * Khulna University of Engineering & Technology (KUET)（库尔纳工程技术大学） ； Texas A&M University（德克萨斯农工大学） ； Imperial College London（伦敦帝国学院） 纠错

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

AI总结 针对现有医学图像分割方法的提示融合局限，提出PCCA机制与PROMISE-Net两种变体，在四个基准测试中较对应基线取得一致IoU提升，为医学图像分割提供可扩展的提示感知分层特征调制框架。

V-REX: Efficient Specialist VLM Training for Veterinary X-Rays

V-REX：面向兽医X光片的高效专用视觉语言模型（VLM）训练

Tim Elsner, Nicole McNally, Andre Dourson, Michael Fitzke

机构 * Vyyo AI ； Mars Petcare（玛氏宠物护理） 纠错

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

AI总结 该研究针对兽医X光片领域，提出高效专用VLM训练方案，无需依赖额外数据，用更少资源开发出能生成兽医X光诊断报告的模型，性能远超同类开源基础模型。

Subgroup performance analysis of adaptation strategies for chest X-ray foundation models

胸部X射线基础模型适配策略的子组性能分析

Dhruv Gupta, Emma A. M. Stanley, Fabio De Sousa Ribeiro, Sujal Desai, Ben Glocker

机构 * Imperial College London（帝国理工学院） ； Royal Brompton Hospital（皇家布朗普顿医院） ； Causality in Healthcare AI Hub（医疗保健AI因果关系中心） ； National Heart & Lung Institute（国家心肺研究所） 纠错

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

AI总结 该研究针对胸部X射线基础模型，探究三种参数高效适配技术对病理分类性能与子组公平性的影响，发现整体性能提升未必减少子组差异，公平性影响需直接按任务评估

Comments Accepted at MICCAI Workshop on Fairness of AI in Medical Imaging (FAIMI) 2026

Learning-State-Aware Dynamic Generative Data Augmentation on Small-Scale Datasets

面向小规模数据集的学习状态感知动态生成式数据增强

Ting Xiang, Chenxi Deng, Jinhui Zhao, Bingting Jiang, Ke Zhang, Changjian Chen, Zhuo Tang

机构 * Hunan University（湖南大学） 纠错

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

AI总结 针对小规模图像分类数据稀缺问题，提出LSADA方法，通过构建样本学习状态映射增强强度，采用解耦增强与扩散融合策略，在9个数据集上较SOTA动态GDA方法取得平均2.5%-4.5%的性能提升。

OptiModNet: A UNet-Transformer Hybrid with Grouped-Query and Channel Attention for Optic Disc and Cup Segmentation

OptiModNet：用于视盘和视杯分割的结合分组查询与通道注意力的UNet-Transformer混合模型

Soumili Ghosh, Debapriya Roy, Aryan Das, Bikash Santra

机构 * IEM Saltlake（IEM盐湖校区） ； Techno Main Salt Lake（Techno主盐湖校区） ； VIT Bhopal University（博帕尔维洛尔理工大学） ； IIT Jodhpur（焦特布尔印度理工学院） 纠错

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

AI总结 本研究提出OptiModNet，一款用于视盘和视杯分割的轻量混合架构，结合分组查询与通道注意力及聚合金字塔损失，在REFUGE2数据集上实现超现有方法2.5%的最优性能，且仅需3.73 GFLOPs和1.93M参数，兼顾高性能与低计算量。

RetiWave-Mamba: A Dual-Stream Network for Retinal Disease Detection based on Multi-scale Context and Frequency-Adaptive Mamba Projection

RetiWave-Mamba：基于多尺度上下文与频率自适应Mamba投影的视网膜疾病检测双流网络

Cheng Cheng, Jin Hong

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

AI总结 针对OCT图像分析的散斑噪声、病变尺度差异及类间相似性问题，本文提出RetiWave-Mamba框架，通过双流设计结合多尺度模块等技术，在OCT-C8数据集上达到98.25%的SOTA分类准确率，可用于临床视网膜疾病诊断。

What Matters is the Prompt: Prompt Sensitivity and Prompt Generation in Foundation Models for Lung Nodule Segmentation

关键在于提示：用于肺结节分割的基础模型中的提示敏感性与提示生成

Jorge F. Lazo, Xixi Liu, Andreas Hallqvist, Mikael Johansson, Åse Johnsson, Jonas S. Andersson, Jennifer Alvén, Ida Häggström

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

AI总结 本研究针对肺结节分割的基础模型，分析其对提示的敏感性，提出合成提示生成模型，实验显示该方法戴斯系数达0.85，为相关分割提供了有前景的策略。