Imperial College London（帝国理工学院）

A Biophysically-Conditioned Generative Framework for 3D Brain Tumor MRI Synthesis

一种基于生物物理条件的生成框架用于3D脑肿瘤MRI合成

Valentin Biller, Lucas Zimmer, Ayhan Can Erdur, Sandeep Nagar, Daniel Rückert, Niklas Bubeck, Jonas Weidner

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文提出了一种基于生物物理条件的生成框架，用于生成高保真的3D脑肿瘤MRI，通过条件生成模型实现肿瘤合成和健康组织修复，实验结果显示在PSNR指标上取得良好效果。

Breaking the Modality Barrier: Universal Embedding Learning with Multimodal LLMs

突破模态壁垒：基于多模态大语言模型的通用嵌入学习

Tiancheng Gu, Kaicheng Yang, Ziyong Feng, Xingjun Wang, Yanzhao Zhang, Dingkun Long, Yingda Chen, Weidong Cai, Jiankang Deng

机构 * The University of Sydney（悉尼大学） ； DeepGlint ； Tongyi Lab, Alibaba Group（阿里云实验室） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 UniME通过两阶段框架提升多模态表示学习，利用知识蒸馏和硬负样本微调增强判别能力与指令遵循性能。

Comments 13 pages, 8 figures, Accepted by ACM MM2025, Project page: https://garygutc.github.io/UniME

MagicSkin: Balancing Marker and Markerless Modes in Vision-Based Tactile Sensors with a Translucent Skin

MagicSkin: 通过透明皮肤平衡标记与无标记模式在基于视觉的触觉传感器中的应用

Oluwatimilehin Tijani, Zhuo Chen, Jiankang Deng, Shan Luo

机构 * Robot Perception Lab, Centre for Robotics Research, Department of Engineering, King’s College London（机器人感知实验室，机器人研究研究中心，工程系，伦敦国王学院） ； Imperial College London（帝国理工学院伦敦校区） 纠错

AI总结 MagicSkin通过半透明标记平衡标记与无标记模式，提升触觉传感器在物体分类、纹理识别和力预测中的性能。

Comments Submitted to ICRA2026

The MICCAI Federated Tumor Segmentation (FeTS) Challenge 2024: Efficient and Robust Aggregation Methods for Federated Learning

MICCAI 2024 联邦肿瘤分割挑战：联邦学习中高效且稳健的权重聚合方法

Akis Linardos, Sarthak Pati, Ujjwal Baid, Brandon Edwards, Patrick Foley, Kevin Ta, Verena Chung, Micah Sheller, Muhammad Irfan Khan, Mojtaba Jafaritadi, Elina Kontio, Suleiman Khan, Leon Mächler, Ivan Ezhov, Suprosanna Shit, Johannes C. Paetzold, Gustav Grimberg, Manuel A. Nickel, David Naccache, Vasilis Siomos, Jonathan Passerat-Palmbach, Giacomo Tarroni, Daewoon Kim, Leonard L. Klausmann, Prashant Shah, Bjoern Menze, Dimitrios Makris, Spyridon Bakas

机构 * Department of Pathology and Laboratory Medicine, Indiana University School of Medicine（印第安纳大学医学院病理学与实验室医学系） ； Center for Federated Learning in Medicine, Indiana University School of Medicine（印第安纳大学医学院医学联邦学习中心） ； Medical AI Group, MLCommons（MLCommons医学人工智能小组） ； Intel Corporation（英特尔公司） ； Sage Bionetworks（Sage生物网络） ； Turku University of Applied Sciences（图尔库应用科学大学） ； Stanford University（斯坦福大学） ； Ecole Normale Supérieure（巴黎高等师范大学） ； Technical University of Munich（慕尼黑技术大学） ； Weill Cornell Medicine（韦尔医学院） ； Ezri AI Labs（Ezri AI实验室） ； City St George’s, University of London（伦敦大学城市学院） ； Imperial College London（伦敦帝国学院） ； Seoul National University（首尔国立大学） ； Ostbayerische Technische Hochschule (OTH) Regensburg（雷根斯堡应用技术大学） ； Universität Zürich（苏黎世大学） ； Kingston University London（伦敦金史密斯学院） ； Departments of Radiology and Imaging Sciences（印第安纳大学医学院放射学与影像科学系；神经外科系；生物统计学与健康数据科学系） ； Neurological Surgery（印第安纳大学计算机科学系；Luddy信息学、计算与工程学院） ； Biostatistics and Health Data Science, Indiana University School of Medicine ； Department of Computer Science, Luddy School of Informatics, Computing and Engineering, Indiana University 纠错

AI总结 MICCAI 2024挑战提出基于PID控制器的联邦学习方法，提升肿瘤分割的鲁棒性和效率，实现高DSC和低HD95的优异性能。

Comments Published at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2025:033

Journal ref Machine.Learning.for.Biomedical.Imaging. 3 (2025)

Benchmarking CXR Foundation Models With Publicly Available MIMIC-CXR and NIH-CXR14 Datasets

基于公开的MIMIC-CXR和NIH-CXR14数据集评估CXR基础模型

Jiho Shin, Dominic Marshall, Matthieu Komorowski

机构 * Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文评估了两种CXR基础模型在不同数据集上的性能，发现MedImageInsight在多数任务表现更优，而CXR-Foundation具有良好的跨数据集稳定性，强调了标准化评估的重要性。