ITCFN: Incomplete Triple-Modal Co-Attention Fusion Network for Mild Cognitive Impairment Conversion Prediction
专题命中 医学影像融合 :multimodal fusion(abstract);分类 cs.CV、eess.IV
Comments 5 pages, 1 figure, accepted by IEEE ISBI 2025
视觉与机器人
面向图像、视频、多传感器和跨模态感知的信息融合,包括 Image Fusion、红外可见光、遥感、医学影像、LiDAR/雷达/相机和音视频融合。
专题命中 医学影像融合 :multimodal fusion(abstract);分类 cs.CV、eess.IV
Comments 5 pages, 1 figure, accepted by IEEE ISBI 2025
专题命中 医学影像融合 :multimodal fusion(abstract);分类 cs.CV、eess.IV
Comments 10 pages, 9 figures
专题命中 医学影像融合 :information fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :multi-modal fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :multi-modal fusion(abstract);分类 cs.CV、eess.IV
Comments Accepted in DCA in MI Workshop@CVPR2024
专题命中 医学影像融合 :information fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :multi-modal fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :information fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :multimodal fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :hybrid fusion(abstract);分类 cs.CV、eess.IV
Comments 10 pages, 4 figures
专题命中 医学影像融合 :information fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :multi-modal fusion(abstract);分类 cs.CV、eess.IV
Comments MICCAI 2023
专题命中 医学影像融合 :multi-modal fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :information fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :information fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :information fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :image fusion(abstract);分类 cs.CV、eess.IV
Comments Accepted to the journal of Medical Image Analysis (MedIA)
专题命中 医学影像融合 :multi-modal fusion(abstract);分类 cs.CV、eess.IV
Comments MICCAI2022
专题命中 医学影像融合 :multi-modal fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :image fusion(abstract);分类 cs.CV、eess.IV
Comments 21 pages (18 + appendix), 13 figures (9 + appendix)
专题命中 医学影像融合 :information fusion(abstract);分类 cs.CV、eess.IV
Comments 32 pages, 8 figures, Applied Soft Computing
专题命中 医学影像融合 :multimodal fusion(abstract);分类 cs.CV、eess.IV
Comments RadFusion dataset: https://stanfordaimi.azurewebsites.net/datasets/3a7548a4-8f65-4ab7-85fa-3d68c9efc1bd
专题命中 医学影像融合 :multi-modal fusion(abstract);分类 cs.CV、eess.IV
专题命中 医学影像融合 :hybrid fusion(abstract);分类 cs.CV、eess.IV
Comments 16 figures
专题命中 医学影像融合 :multi-modal fusion(abstract);分类 cs.CV、eess.IV
Comments has been accepted by IEEE TMI
临床路径对早期阿尔茨海默病检测中的多模态深度学习至关重要
专题命中 医学影像融合 :multimodal fusion(abstract);分类 eess.IV
AI总结 该研究提出基于SigLIP的零样本多模态框架,结合结构MRI与常规临床变量,在ADNI队列中实现早期阿尔茨海默病风险分层,性能优于传统模型,且可扩展至纵向数据。
Comments Published
基于KAN的隐式神经表示的可变形医学图像配准
机构 * Lomonosov Moscow State University(罗蒙诺索夫莫斯科国立大学)
专题命中 医学影像融合 :multi-modal fusion(abstract);分类 cs.CV
AI总结 提出基于KAN的INR框架KAN-IDIR与RandKAN-IDIR,用于无需数据集级训练的逐对优化可变形医学图像配准,在多模态医学图像上实现高准确性、低开销与稳定性,适用于临床研究。
Comments Accepted at Machine Learning and Knowledge Extraction
AT-Attn:用于纵向多模态阿尔茨海默病诊断的时间感知交叉注意力机制
机构 * Xinyue Du1, Yibo Liu2, Zhenglei Zhou3, Xuancheng Yao2, Weimin Zhong1, Qiuhui Chen14(未知)
专题命中 医学影像融合 :multimodal fusion(abstract);分类 cs.CV
AI总结 研究针对纵向AD诊断中多模态信息整合难题,提出AT-Attn框架,结合多种技术整合MRI与临床信息,在患者级五折交叉验证中,该模型多项指标优于单模态和简单融合基线,为AD诊断提供临床相关补充信息。
Comments Submitted to IEEE BIBM 2026. 8 pages, 4 figures
基于生成式人工智能架构的多模态神经影像特征的潜在图编码
机构 * Center for Translational Research in Neuroimaging and Data Science (TReNDS)(转化神经影像与数据科学研究中心)
专题命中 医学影像融合 :multimodal fusion(abstract);分类 cs.CV
AI总结 研究旨在设计多模态生成框架用于神经影像特征分析,通过评估多种策略和模型,利用GMV和sFNC特征分析多个生成框架,提出的gMMVAE在多指标上超替代变体,有潜力用于稳健的多模态神经影像分析。
Comments 6 pages, accepted in IEEE International Conference on Image Processing (ICIP) 2026
模态隔离门控融合:用于稳健多模态前列腺MRI分割的架构无关方法
机构 * The Second Xiangya Hospital of Central South University(中南大学湘雅医学院第二医院) ; The Third Xiangya Hospital of Central South University(中南大学湘雅医学院第三医院) ; School of Life Sciences, Central South University(中南大学生命科学学院) ; Hunan Provincial Key Laboratory of Medical Information Research (Central South University)(湖南省医学信息研究重点实验室(中南大学)) ; Hunan Provincial Clinical Medical Research Center for Cardiovascular Intelligent Medicine(湖南省心血管智能医学临床医学研究中心)
专题命中 医学影像融合 :multi-modal fusion(abstract);分类 cs.CV
AI总结 本文提出模态隔离门控融合(MIGF)方法,通过独立编码流和门控阶段提升多模态前列腺MRI分割的鲁棒性,实验表明其在不同模态缺失和伪影情况下均有效。
Comments Major revision. Single-fold analysis replaced by 5-fold cross-validation (180 trained models) plus a direct gate-mechanism analysis; conclusions updated to show that modality gating is backbone-conditional. Supersedes v1