医学 AI

PPDM: Pixel Puzzling Diffusion Model for Speed and Memory Efficient Volumetric Medical Image Translation

PPDM: 像素拼图扩散模型用于速度和内存高效的体积医学图像翻译

Tianqi Chen, Jun Hou, Yinchi Zhou, James S. Duncan, Chi Liu, Bo Zhou

机构 * Department of Radiology, Northwestern University（西北大学放射学系） ； Department of Biomedical Engineering, Yale University（耶鲁大学生物医学工程系） ； Department of Radiology and Biomedical Imaging, Yale School of Medicine（耶鲁医学院放射学与生物医学影像系） 纠错

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

AI总结 提出像素拼图扩散模型（PPDM），通过可逆像素拼图操作和直接桥接扩散公式，在降低内存和加速推理的同时保持全局一致性，用于3D医学图像翻译。

Comments 12 pages, 5 figures, 5 tables

XSSR: Cross-Domain Self-Supervised Representative Selection for Efficient Annotation in Medical Image Segmentation

XSSR: 跨域自监督代表性选择用于医学图像分割中的高效标注

Byunghyun Ko, Aleksei Anisimov, Kobe Ke, Suhas Bharthepude, Jeongkyu Lee

机构 * Northeastern University, San Jose, CA 95113, USA（东北大学，旧金山，CA 95113，美国） ； Northeastern University, New York, NY 10021, USA（东北大学，纽约，NY 10021，美国） 纠错

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

AI总结 提出XSSR框架，通过自监督学习在目标域中自动选择代表性样本进行标注，在仅使用5%标注预算时达到接近全数据性能。

Comments Accepted to the Third International Conference on AI in Healthcare (AIiH 2026). This is the preprint version of the paper

SpikeReg: Energy-Efficient 3D Deformable Medical Image Registration with Spiking Neural Networks

SpikeReg: 基于脉冲神经网络的高能效3D可变形医学图像配准

Ali Mikaeili Barzili, Behzad Moshiri, Hamid Azadegan, Mohammad-Reza A. Dehaqani

机构 * School of Electrical and Computer Engineering, College of Engineering, University of Tehran（德黑兰大学电气与计算机工程学院） ； Max Planck Institute for Brain Research（马克斯·普朗克脑科学研究所） ； School of Computer Engineering, Iran University of Science and Technology (IUST)（伊朗科学技术大学计算机工程学院） ； Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系） 纠错

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

AI总结 提出SpikeReg，一种脉冲U-Net，通过层间权重迁移和激活百分位阈值校准从模拟ANN教师初始化，结合局部互相关、扩散正则化和脉冲率稀疏性的代理梯度微调，在OASIS Learn2Reg验证集上达到Dice 0.7474，与ANN教师无显著差异，同时实现12.8%平均脉冲率和55.5倍算术能量降低。

Axial-Centric Cross-Plane Attention for 3D Medical Image Classification

轴向中心跨平面注意力用于3D医学图像分类

Doyoung Park, Jinsoo Kim, Lohendran Baskaran

机构 * National Heart Centre Singapore, Singapore（新加坡国家心脏中心） ； CVS.AI, National Heart Research Institute of Singapore, Singapore（CVS.AI、新加坡国家心脏研究院） ； Independent Researcher, Republic of Korea（韩国独立研究员） 纠错

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

AI总结 提出轴向中心跨平面注意力架构，通过不对称建模解剖平面间依赖关系，在MedMNIST3D基准上优于现有3D和多平面模型。

Comments Submitted to BMVC 2026

Enhancing Medical Image Segmentation via Heat Conduction Equation

通过热传导方程增强医学图像分割

Rong Wu, Yim-Sang Yu

机构 * Department of Epidemiology and Biostatistics, University of California, San Francisco, CA, USA（流行病学与生物统计学系，加州大学旧金山分校，加州，美国） 纠错

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

AI总结 本文提出结合U-Mamba与热传导方程的混合架构，利用状态空间模块和热传导操作符提升医学图像分割的全局上下文建模与长距离依赖推理能力。

Med-DisSeg: Dispersion-Driven Representation Learning for Fine-Grained Medical Image Segmentation

Med-DisSeg: 基于分散驱动的表示学习用于细粒度医学图像分割

Zhiquan Chen, Haitao Wang, Guowei Zou, Hejun Wu

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） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东省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)；CT(abstract,abstract_cn)；分类 cs.CV

AI总结 本文提出Med-DisSeg框架，通过分散损失和自适应注意力机制提升医学图像分割的表示学习和解剖结构分割性能，实验表明其在多种数据集上达到领先水平。

ABRA: Agent Benchmark for Radiology Applications

ABRA：放射学应用代理基准测试

Bulat Maksudov, Vladislav Kurenkov, Kathleen M. Curran, Alessandra Mileo

机构 * School of Computing（计算学院） ； Dublin City University（都柏林城市大学） ； School of Medicine（医学院） ； University College Dublin（都柏林大学） 纠错

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

AI总结 ABRA是一个放射学代理基准测试，通过21个功能调用工具操作OHIF查看器和Orthanc DICOM服务器，包含655个生成任务，评估代理在规划、执行和结果方面的性能。

DiffuSAM: Diffusion-Based Prompt-Free SAM2 for Few-Shot and Source-Free Medical Image Segmentation

DiffuSAM: 基于扩散的无提示SAM2用于少样本和源无关医学图像分割

Tal Grossman, Noa Cahan, Lev Ayzenberg, Hayit Greenspan

机构 * School of Electrical Engineering, Tel Aviv University, Israel（特拉维夫大学电气工程学院） ； School of Biomedical Engineering, Tel Aviv University, Israel（特拉维夫大学生物医学工程学院） 纠错

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

AI总结 DiffuSAM通过轻量级扩散先验生成SAM2兼容的分割掩码嵌入，实现无提示医学图像分割，无需用户输入，在BTCV和CHAOS数据集上表现出色。

Risk-Calibrated Learning: Minimizing Fatal Errors in Medical AI

风险校准学习：在医学AI中最小化致命错误

Abolfazl Mohammadi-Seif, Ricardo Baeza-Yates

机构 * Department of Engineering（工程系） ； Universitat Pompeu Fabra（庞培乌法拉大学） 纠错

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

AI总结 本文提出风险校准学习方法，通过区分视觉模糊与结构性错误，提升医学AI的可靠性，实验表明其在多种影像模态中显著降低关键错误率。

Comments This work has been accepted for publication in the Proceedings of the 2026 International Joint Conference on Neural Networks (IJCNN 2026). The final published version should be cited

Domain-Specific Latent Representations Improve the Fidelity of Diffusion-Based Medical Image Super-Resolution

领域特定潜在表示提高基于扩散的医学图像超分辨率的保真度

Sebastian Cajas, Ashaba Judith, Rahul Gorijavolu, Sahil Kapadia, Hillary Clinton Kasimbazi, Leo Kinyera, Emmanuel Paul Kwesiga, Sri Sri Jaithra Varma Manthena, Luis Filipe Nakayama, Ninsiima Doreen, Leo Anthony Celi

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Department of Biomedical Engineering, Mbarara University of Science and Technology（姆巴拉大学科学与技术学院生物医学工程系） ； Johns Hopkins University（约翰霍普金斯大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Makerere University（Makerere大学） ； Federal University of São Paulo（圣保罗联邦大学） ； Technical University of Applied Sciences Lübeck (TH Lübeck)（吕贝克应用技术大学） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院） 纠错

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

AI总结 本文通过替换通用稳定扩散VAE为领域特定的MedVAE，显著提升了医学图像超分辨率的PSNR，验证了领域特定自动编码器对重建质量的关键影响。

FGML-DG: Feynman-Inspired Cognitive Science Paradigm for Cross-Domain Medical Image Segmentation

FGML-DG：受费曼启发的认知科学范式用于跨域医学图像分割

Yucheng Song, Chenxi Li, Haokang Ding, Zhining Liao, Zhifang Liao

机构 * School of Computer Science and Engineering, Central South University（中南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)；MRI(abstract)；CT(abstract)；分类 cs.CV

AI总结 本文提出FGML-DG范式，通过费曼学习法简化特征、设计元风格记忆机制及反馈驱动重训练，提升医学图像跨域分割性能。

Journal ref Volume 413: ECAI 2025, (3912-3919)

Enhancing Fine-Grained Spatial Grounding in 3D CT Report Generation via Discriminative Guidance

通过判别引导增强3D CT报告生成中的细粒度空间定位

Chenyu Wang, Weicheng Dai, Han Liu, Wenchao Li, Kayhan Batmanghelich

机构 * Boston University（波士顿大学） ； Siemens Healthineers（西门子医疗） 纠错

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

AI总结 本文提出DCP-PD框架，通过提炼自由文本报告中的细粒度线索，指导报告生成并减少对快捷方式的依赖，提升了CT-RATE和Rad-ChestCT的性能。

M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation

M$^{2}$SNet：多尺度在多尺度减法网络用于医学图像分割

Xiaoqi Zhao, Hongpeng Jia, Youwei Pang, Long Lv, Feng Tian, Lihe Zhang, Weibing Sun, Huchuan Lu

机构 * IIAU-Lab, Dalian University of Technology（大连理工大学IIAU-Lab） ； Zhongshan Hospital of Dalian University（大连大学附属中山医院） ； Yale University（耶鲁大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出M$^{2}$SNet网络，通过多尺度减法单元融合不同层级特征，提升医学图像分割的准确性与边缘清晰度，实验表明其在多种医学图像任务中表现优异。

Comments Machine Intelligence Research 2026

GPAFormer: Graph-guided Patch Aggregation Transformer for Efficient 3D Medical Image Segmentation

GPAFormer：图引导的补丁聚合变换器用于高效3D医学图像分割

Chung-Ming Lo, I-Yun Liu, Wei-Yang Lin

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

AI总结 本文提出GPAFormer，一种轻量级网络架构，通过多尺度注意力引导堆叠聚合和互感知补丁图聚合模块，提升多器官多模态3D医学图像分割的准确性和效率。

A Utility-preserving De-identification Pipeline for Cross-hospital Radiology Data Sharing

一种保持效用的跨医院放射学数据共享脱敏流程

Chenhao Liu, Zelin Wen, Yan Tong, Junjie Zhu, Xinyu Tian, Yuchi Liu, Ashu Gupta, Syed M. S. Islam, Tom Gedeon, Yue Yao

机构 * Shandong University（山东大学） ； Australian National University（澳大利亚国立大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Curtin University（科廷大学） ； Edith Cowan University（埃迪斯科文大学） ； University of Western Australia（西澳大利亚大学） 纠错

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

AI总结 本文提出一种保持效用的脱敏流程，用于跨医院放射学数据共享，通过黑名单和白名单过滤机制，在保护隐私的同时保留诊断相关病理信息，实验证明其在诊断准确性上的竞争力。

Implantable Adaptive Cells: A Novel Enhancement for Pre-Trained U-Nets in Medical Image Segmentation

可植入自适应单元：一种用于医学图像分割预训练U-Net的新型增强方法

Emil Benedykciuk, Marcin Denkowski, Grzegorz Wójcik

机构 * Institute of Computer Science, Maria Curie-Skłodowska University（玛丽亚·居里-斯克沃多夫斯卡大学计算机科学研究所） 纠错

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

AI总结 本文提出一种基于梯度的神经架构搜索方法，通过可植入自适应单元提升预训练神经网络在医学图像分割中的性能，实验表明在多种U-Net配置上准确率提升约5个百分点，最高可达11%。

CRISP: Rank-Guided Iterative Squeezing for Robust Medical Image Segmentation under Domain Shift

CRISP：基于排名的迭代压缩以在域移位下实现鲁棒的医学图像分割

Yizhou Fang, Pujin Cheng, Yixiang Liu, Xiaoying Tang, Longxi Zhou

机构 * Southern University of Science and Technology（南方科技大学） ； The University of Hong Kong（香港大学） ； Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院） 纠错

专题命中 医学影像 ：medical image(title)；medical AI(abstract)；MRI(abstract)；CT(abstract)

AI总结 本文提出CRISP框架，通过基于排名而非概率的分割方法，提升医学图像分割在域移位下的鲁棒性，实验显示其在多中心、人群和模态移位上表现优异。

PhyDCM: A Reproducible Open-Source Framework for AI-Assisted Brain Tumor Classification from Multi-Sequence MRI

PhyDCM：一种可重复的开源框架，用于多序列MRI脑肿瘤分类的AI辅助分类

Hayder Saad Abdulbaqi, Mohammed Hadi Rahim, Mohammed Hassan Hadi, Haider Ali Aboud, Ali Hussein Allawi

机构 * Department of medical physics College of Science, University of Al-Qadisiyah（卡迪西亚大学理学院医学物理系） 纠错

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

AI总结 PhyDCM通过集成MedViT混合分类架构和标准化DICOM处理，提供可重复的AI脑肿瘤分类框架，实现高准确率和模块化设计。

Comments 18 pages, 9 figures, 6 tables

ITKIT: Feasible CT Image Analysis based on SimpleITK and MMEngine

ITKIT：基于SimpleITK和MMEngine的可行CT图像分析

Yiqin Zhang, Meiling Chen

机构 * Lingang Laboratory（临港实验室） 纠错

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

AI总结 本文提出ITKIT，基于SimpleITK和MMEngine实现从DICOM到3D分割的完整流程，提供简单易用的CLI和灵活的模型配置，通过12个实验验证其在基本场景中的有效性。

Robust-ComBat: Mitigating Outlier Effects in Diffusion MRI Data Harmonization

Robust-ComBat: 降低扩散磁共振成像数据调和中的异常值影响

Yoan David, Pierre-Marc Jodoin, Alzheimer's Disease Neuroimaging Initiative, The TRACK-TBI Investigators

机构 * VitaLab, Dep of Computer Science, University of Sherbrooke（维塔实验室，计算机科学系，谢布罗什大学） ； Imeka Solutions Inc.（伊梅卡解决方案公司） ； Alzheimer’s Disease Neuroimaging Initiative（阿尔茨海默病影像化验倡议） ； The TRACK-TBI Investigators（TRACK-TBI研究组） 纠错

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

AI总结 本文提出Robust-ComBat方法，通过引入MLP模型有效处理扩散MRI数据中的异常值问题，提升调和精度并保留疾病相关信号。

Comments 20 pages, 8 figures

HMAR: Hierarchical Modality-Aware Expert and Dynamic Routing Medical Image Retrieval Architecture

HMAR：分层模态感知专家与动态路由医学图像检索架构

Aojie Yuan

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出HMAR框架，通过双专家机制和两阶段对比学习实现细粒度医学图像检索，提升检索精度与效率。

Comments 8 pages, 7 figures, 1 table

Beyond the Embedding Bottleneck: Adaptive Retrieval-Augmented 3D CT Report Generation

突破嵌入瓶颈：适应性检索增强的3D CT报告生成

Renjie Liang, Yiling Ma, Yang Xing, Zhengkang Fan, Jinqian Pan, Chengkun Sun, Li Li, Kuang Gong, Jie Xu

机构 * University of Florida（佛罗里达大学） ； Yale University（耶鲁大学） ； University of Southern California（南加州大学） 纠错

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

AI总结 本文提出AdaRAG-CT框架，通过引入补充文本信息缓解3D CT视觉表示瓶颈，提升CT-RATE基准的临床效果。

Learning Generalizable 3D Medical Image Representations from Mask-Guided Self-Supervision

从掩码引导自监督学习中学习通用的3D医学图像表示

Yunhe Gao, Yabin Zhang, Chong Wang, Jiaming Liu, Maya Varma, Jean-Benoit Delbrouck, Akshay Chaudhari, Curtis Langlotz

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出MASS方法，通过掩码引导自监督学习，学习通用的医学图像表示，实现了在不同数据集上的高效分割和分类任务。

Comments CVPR 2026

M2Diff: Multi-Modality Multi-Task Enhanced Diffusion Model for MRI-Guided Low-Dose PET Enhancement

M2Diff：多模态多任务增强扩散模型用于MRI引导的低剂量PET增强

Ghulam Nabi Ahmad Hassan Yar, Himashi Peiris, Victoria Mar, Cameron Dennis Pain, Zhaolin Chen

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

AI总结 M2Diff通过多模态多任务扩散模型，利用MRI和低剂量PET扫描分别学习模态特定特征，并通过层次化特征融合重建标准剂量PET，从而提升重建保真度。

Comments Copyright 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works

RADAR: A Multimodal Benchmark for 3D Image-Based Radiology Report Review

RADAR：用于基于3D图像的放射学报告审查的多模态基准

Zhaoyi Sun, Minal Jagtiani, Wen-wai Yim, Fei Xia, Martin Gunn, Meliha Yetisgen, Asma Ben Abacha

机构 * University of Washington（华盛顿大学） ； Microsoft Health AI（微软健康AI） 纠错

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

AI总结 RADAR是一个用于放射学报告审查的多模态基准，通过3D医学图像与初步报告及候选编辑的配对，评估模型在细粒度临床推理和图像-文本对齐方面的表现。

WristMIR: Coarse-to-Fine Region-Aware Retrieval of Pediatric Wrist Radiographs with Radiology Report-Driven Learning

WristMIR: 儿童手腕X光片的粗到细区域感知检索框架，基于放射科报告驱动学习

Mert Sonmezer, Serge Vasylechko, Duygu Atasoy, Seyda Ertekin, Sila Kurugol

机构 * Middle East Technical University（中东部技术大学） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） ； METU-DTX Research Center（METU-DTX研究中心） 纠错

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

AI总结 WristMIR通过结合放射科报告和骨特定定位，实现儿童手腕X光片的粗到细区域感知检索，提升骨折诊断的准确性和临床相关性。

Comments Accepted to Medical Imaging with Deep Learning (MIDL) 2026

SSFMamba: Learning Symmetry-driven Spatial-Frequency Modeling for Physically Consistent 3D Medical Image Segmentation

SSFMamba: 基于对称性的空间-频率建模学习用于物理一致的3D医学图像分割

Bo Zhang, Yifan Zhang, Shuo Yan, Yu Bai, Zheng Zhang, Wu Liu, Wendong Wang, Yongdong Zhang

机构 * State Key Laboratory of Networking and Switching Technology, School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（网络与交换技术国家重点实验室，计算机学院（国家试点软件工程学院），北京邮电大学） ； School of Intelligent Engineering and Automation, Beijing University of Posts and Telecommunications（智能工程与自动化学院，北京邮电大学） ； School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学） 纠错

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

AI总结 SSFMamba通过结合对称性和空间-频率建模，提升3D医学图像分割的精度与一致性。

BiCLIP: Bidirectional and Consistent Language-Image Processing for Robust Medical Image Segmentation

BiCLIP: 用于鲁棒医学图像分割的双向和一致语言-图像处理

Saivan Talaei, Fatemeh Daneshfar, Abdulhady Abas Abdullah, Mustaqeem Khan

机构 * Department of Computer Engineering, University of Kurdistan, Iran（伊朗库尔德大学计算机工程系） ； Artificial Intelligence and Innovation Centre, University of Kurdistan, Erbil, Iraq（伊拉克埃尔比尔库尔德大学人工智能与创新中心） ； College of Information Technology, United Arab Emirates University, UAE（阿联酋大学信息科技学院） 纠错

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

AI总结 BiCLIP通过双向多模态融合和一致性目标提升医学图像分割的鲁棒性，有效应对标注稀少和临床伪影挑战。

General vs Domain-Specific CNNs: Understanding Pretraining Effects on Brain MRI Tumor Classification

通用与领域特定CNNs：理解预训练对脑MRI肿瘤分类的影响

Helia Abedini, Saba Rahimi, Reza Vaziri

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

AI总结 本研究比较了三种CNN架构在脑肿瘤分类中的表现，发现通用网络ConvNeXt-Tiny在数据稀缺情况下表现更优，而领域特定预训练模型泛化能力有限。

Federated Learning for Cross-Modality Medical Image Segmentation via Augmentation-Driven Generalization

通过增强驱动泛化实现跨模态医学图像分割的联邦学习

Sachin Dudda Nagaraju, Ashkan Moradi, Bendik Skarre Abrahamsen, Mattijs Elschot

机构 * Department of Circulation and Medical Imaging, Norwegian University of Science and Technology（循环医学成像系，挪威科学与技术大学） 纠错

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

AI总结 本文提出一种联邦学习方法，通过增强驱动泛化实现跨模态医学图像分割，提升模型泛化能力的同时保护数据隐私。

Comments Submitted to IEEE JBHI