医学 AI

AMPLIFAI: A Multiphase CT Dataset for Benchmarking Clinical Reasoning in LI-RADS Assessment of Liver Lesions

AMPLIFAI：用于基准测试LI-RADS肝脏病变评估临床推理的多期CT数据集

Pranav Kulkarni, Nikhil Shah, Amritansh Suryavanshi, Jana Delfino, James Tonascia, Jade Wong-You-Cheong, Barton Lane, Joseph Chirico, Jeffrey D. Hirsch, Ang Li, Heng Huang, Florence X. Doo

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Maryland School of Medicine（马里兰大学医学院） ； University of Maryland Institute for Health Computing（马里兰大学健康计算研究所） ； University of Maryland Medical System（马里兰大学医学系统） 纠错

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

AI总结 研究针对LI-RADS肝脏病变评估AI模型缺乏公开高质量数据集的问题，推出首个公开多期腹部CT扫描的AMPLIFAI数据集，标注LI-RADS类别并分割关键特征，助力相关透明可复现研究。

Unsupervised Anomaly Detection for Image Dataset Quality Assurance in Multi-Center Breast MRI

面向多中心乳腺MRI图像数据集质量保证的无监督异常检测

Chiara Tappermann, Steffen Renisch, Lars Ole Schwen, Hans Meine, Horst K. Hahn, Eike Petersen

机构 * Cambridge University Hospitals（剑桥大学医院） ； Mitera Hospital（米特拉医院） ； Radboud University Medical Center（拉德堡德大学医学中心） ； University Hospital Aachen（亚琛大学医院） ； University Medical Center Utrecht（乌得勒支大学医学中心） ； Ribera Hospital（里贝拉医院） ； Duke Breast Cancer MRI（杜克乳腺癌磁共振成像项目） 纠错

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

AI总结 该研究针对多中心乳腺MRI数据集，构建含17种异常类型的无监督异常检测基准，评估四种方法，发现带位置编码的投影法性能最优，为医疗AI的可扩展无监督质量保证提供基础。

A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation

面向不完整与退化前列腺MRI的跨模态生成模型及多中心临床验证

Siyuan Ma, Liang He, Mengying Zhu, Yi Chai, Mengyao Lyu, Haowei Wang, Qizhen Lan, HaoBo Sun, Qixin Zhang, Jingli Chen, Xiaobing Wei, Jiaming Liu, Guiqin Liu, Qianwen Zhang, Yang Liu, Dacheng Tao, Guangyu Wu

专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV、eess.IV

AI总结 该研究开发MSCNet跨模态生成框架，可重建前列腺MRI缺失对比、恢复退化扫描，经多中心临床验证，其图像质量符合部分非劣效标准，诊断效能优于基线生成图像，可作为前列腺MRI的辅助技术。

Deep learning-based computed tomography (CT) derived body composition classifier for colorectal cancer patients

基于深度学习的结直肠癌患者CT衍生身体成分分类器

Eve Harling (1), Chattarin Pumtako (2), Bernd Porr (1), Donald C McMillan (2), Ross D Dolan (2) ((1) James Watt School of Engineering, College of Science & Engineering, University of Glasgow, Glasgow, UK, (2) Academic Unit of Surgery, School of Medicine, College of Medical Veterinary & Life Sciences, University of Glasgow, Glasgow, UK)

专题命中 医学影像 ：CT(title,title_cn)；分类 cs.LG、eess.IV

AI总结 本研究训练AlexNet等四种深度学习模型自动分析结直肠癌患者CT衍生身体成分，GoogLeNet和AlexNet表现优异，模型可部署于网络应用，有望简化临床身体成分分析流程。

Comments 27 pages, 4 figures

Synthesizing Post-Acetazolamide Cerebral Blood Flow Maps from Baseline MRI in Moyamoya Using 3D Generative AI

利用3D生成AI从烟雾病患者的基线MRI合成乙酰唑胺给药后脑血流量图

Julia Huang, Camila Gonzalez, Rydham Goyal, Aja Zou, Sasha Alexander, Michael Moseley, Moss Y. Zhao, Gary K. Steinberg

专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV、eess.IV

AI总结 本研究提出CAE3D模型，可从烟雾病患者基线MRI合成乙酰唑胺后脑血流量图，在多指标上优于对比方法，为ACZ禁忌患者的血流动力学评估提供可行方案。

Comments 25 pages. Accepted at Machine Learning for Healthcare (MLHC 2026). To appear in Proceedings of Machine Learning Research (PMLR), volume 340

Shared-Structure 4D Spectral Gaussian Representation for Sparse-View Spectral CT Reconstruction

用于稀疏视图光谱CT重建的共享结构4D光谱高斯表示

Jiancheng Fang, Shaoyu Wang, Wenjun Xia, Yang Chen, Qiegen Liu

机构 * School of Information Engineering, Nanchang University（南昌大学信息工程学院） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） 纠错

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

AI总结 针对稀疏视图光谱CT重建的角欠采样与光谱耦合问题，提出共享结构4D光谱高斯表示（4D-SG）方法，在多类数据集上实验显示其相比基线方法提升了重建性能。

TR-GS: High-Fidelity Sparse-View CT Volumetric Rendering via t-Distribution Gaussian Splatting and Ray-Confidence Modeling

TR-GS：基于t分布高斯溅射和射线置信度建模的高保真稀疏视图CT体积渲染

Zedong Xiao, Yiren Wang, Zhou Liu, Xiaolin Liu, Zhangji Lu

机构 * Shenzhen University（深圳大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） 纠错

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

AI总结 TR-GS用学生t分布基元与射线置信度模型优化3D高斯溅射，实现高保真稀疏视图CT体积渲染，在多数场景优于基线，可支撑下游医学多媒体应用

Anatomical and Physical Supervision for CT-less PET Attenuation Correction: BIC-MAC 2026 Challenge

用于无CT的PET衰减校正的解剖学与物理学监督：BIC-MAC 2026挑战赛

Petros Chatzitoulousis, George K. Matsopoulos

机构 * National Technical University of Athens（雅典国家技术大学） 纠错

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

AI总结 本研究针对BIC-MAC 2026挑战赛，基于nnU-Net架构结合解剖学与物理学监督，利用预训练权重优化流程，实现了无CT的PET衰减校正方案，验证了该方法的有效性。

Comments 6 pages, 1 table. Technical report for the BIC-MAC 2026 Challenge

Automated Fetal Brain MRI Biometry in Healthy and Pathological Cases

健康与病理案例的胎儿脑部MRI自动生物测量

Ema Masterl, Tina Vipotnik Vesnaver, Nejc Šubič, Žiga Špiclin

机构 * Faculty of Medicine, University of Ljubljana（卢布尔雅那大学医学院） ； University Medical Centre Ljubljana（卢布尔雅那大学医学中心） ； Faculty of Electrical Engineering, University of Ljubljana（卢布尔雅那大学电气工程学院） 纠错

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

AI总结 本研究构建了基于NeSVoR的胎儿脑部MRI自动生物测量流程，对比H3DE-Net与SCN模型，发现H3DE-Net定位精度更高、诊断效用更好，其脑室宽度阈值符合VM临床分级标准。

Comments Accepted at the PIPPI Workshop of MICCAI 2026

Feed-Forward Hierarchical Gaussian Diffusion for Extreme CT Reconstruction

用于极端CT重建的前馈分层高斯扩散

Yuezhe Yang, Li Cheng

机构 * University of Alberta（阿尔伯塔大学） ； University of Sydney（悉尼大学） 纠错

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

AI总结 针对极端CT重建的不适定问题，提出HiGDiff前馈分层高斯扩散框架，通过结构与细节两阶段扩散实现最先进性能，在LDCT-PD数据集上PSNR提升5.81dB、SSIM提升0.113。

CG-GLORE: A Conjugate Gradient-Based Global-Local Regularization Network for Sparse-View CT Reconstruction

CG-GLORE：一种用于稀疏视角CT重建的基于共轭梯度的全局-局部正则化网络

Tran Xuan Hieu Le, Doanh C. Bui, Vu Trung Duong Le, Hoai Luan Pham, Khang Nguyen, Mai K. Nguyen, Tu Bao Ho, Yasuhiko Nakashima

机构 * Nara Institute of Science and Technology（奈良科学技术研究所） ； University of Information Technology Ho Chi Minh City（胡志明市信息科技大学） ； Vietnam National University Ho Chi Minh City（胡志明市越南国家大学） ； CY Cergy Paris University（塞尔吉-蓬图瓦兹大学） ； ENSEA（法国高等电子与数字技术学院） ； CNRS（法国国家科学研究中心） ； Vietnam Institute for Advanced Study in Mathematics（越南高等数学研究院） 纠错

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

AI总结 针对稀疏视角CT重建的条纹伪影问题，提出基于二阶优化的CG-GLORE框架，结合GLORE网络建模图像先验，在AAPM和DeepLesion数据集上取得更优重建效果。

Comments Accepted for presentation at BMVC2026

External identification and electrothermal modeling of persistent-current-switch operating states in a Siemens MRI magnet

西门子MRI磁体中持续电流开关工作状态的外部识别与电热建模

Volodymyr Pupkov

专题命中 医学影像 ：MRI(title,title_cn)

AI总结 该研究识别出西门子MRI磁体PCS存在自维持电阻态，建立其电热模型，将电流RMSE降低9.4倍，明确了持续电流精度的控制因素及自维持边界。

Comments 27 pages, 10 figures

MIRROR: Multimodal Intelligent Radiology Reasoning and Observation Reporter

MIRROR：多模态智能放射学推理与观察报告生成器

Vignesh Nagarajan, Sriram Venkatapathy

机构 * Texas A&M University（德克萨斯农工大学） ； Capital One（第一资本金融公司） ； IIT Hyderabad（印度理工学院海得拉巴分校） 纠错

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

AI总结 MIRROR是一款多模态智能放射学报告生成原型，通过分离分类、定位与文本生成环节实现可审计的放射学发现，在ChestMNIST数据集上达到0.729的宏平均AUROC，但受类别不平衡影响存在决策弃权问题。

Comments 8 pages, 5 figures, 5 tables, 24 references

Can Unsupervised Methods Outperform Supervised Deep Learning When Ground Truth Is Sparse? A Case Study of Bronchovascular Bundle Segmentation in Low-Dose CT

当真实标注稀疏时，无监督方法能否优于监督深度学习？——基于低剂量CT中支气管血管束分割的案例研究

Anna Mrukwa (1), Marek Socha (1), Aleksandra Suwalska (1), Agata Durawa (2), Malgorzata Jelitto (3), Katarzyna Dziadziuszko (3), Edyta Szurowska (3), Pawel Bozek (4), Michal Marczyk (1 and 5), Witold Rzyman (2), Rafal Dziadziuszko (6), Joanna Polanska (1) ((1) Department of Data Science and Engineering, Silesian University of Technology, Gliwice, Poland, (2) Department of Thoracic Surgery, Medical University of Gdansk, Gdansk, Poland, (3) 2nd Division of Radiology, Medical University of Gdansk, Gdansk, Poland, (4) Department of Radiology and Radiodiagnostics, Medical University of Silesia, Katowice, Poland, (5) Department of Breast Medical Oncology, Yale School of Medicine, New Haven, CT, USA, (6) Department of Oncology and Radiotherapy, Medical University of Gdansk, Gdansk, Poland)

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

AI总结 本研究以低剂量CT的支气管血管束分割为案例，构建RONALD无监督分割流程，在真实标注稀疏时，其结节保留率显著优于现有方法，可提升极早期肺癌的肺结节检测效果。

Comments 17 pages, 4 figures. Part of this research was submitted to the international conference European Molecular Imaging Meeting 2026

Cross-Modal Ultrasound-MRI Learning for Fetal Brain Ventricular Volumetry and Abnormality Screening

用于胎儿脑室体积测量与异常筛查的跨模态超声-MRI学习

Yuhao Huang, Yuanji Zhang, Yuhuan Lu, Dong Ni, P. Ellen Grant, Davood Karimi

专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV、cs.LG、eess.IV

AI总结 本研究提出跨模态学习框架VIFBA，基于超声视频实现胎儿脑室体积预测、VM严重程度分类及非VM异常筛查，性能优于基线与现有模型，为产前脑筛查提供实用方案。

Comments 17 pages, 11 figures, 6 tables

CoM$^3$eT: A foundation model for medical image analysis through federated, multidimensional context integration

CoM³eT：通过联邦多维上下文集成实现医学图像分析的基础模型

J. Raphael Schäfer, Kai Geissler, Till Nicke, Chiara Tappermann, Karoline Heber, Eike Petersen, Habib Mergan, Lars Ole Schwen, Nick Weiss, Annika Gerken, Jan Hendrik Moltz, Tom Bisson, Isil Dogan O, Tim-Rasmus Kiehl, Norman Zerbe, Sefer Elezkurtaj, Robin S. Mayer, Nadine Flinner, Peter Wild, Isabel Dahm, Felix Peisen, Heinrich von Busch, Robert Grimm, Sebastian Arndt, Lisa Siegler, Matthias Stefan May, Antje Prasse, Natalia Artysh, Fabian Kiessling, Johannes Lotz

机构 * Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学MEVIS研究所） ； RWTH Aachen University（亚琛工业大学） ； Medizinische Hochschule Hannover（汉诺威医学院） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院） ； Charité – Universitätsmedizin Berlin（柏林夏里特医学院） ； Freie Universität Berlin（柏林自由大学） ； Humboldt-Universität zu Berlin（柏林洪堡大学） 纠错

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

AI总结 CoM³eT是统一多专科、多预测类型及多维度输入的医学视觉基础模型，在公开竞赛中表现优于同类模型，仅微调少量参数即可适配多临床任务，联邦学习场景下性能接近聚合数据训练。

PE-CSNet: An equivariant network architecture with learnable patch-based sparse representation

PE-CSNet：一种具有可学习基于块的稀疏表示的等变网络架构

Kai Li, Haitao Long, Bo Zhang, Haiwen Zhang, Zhi Zhou

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 针对压缩感知中稀疏变换与优化设计的难题，提出PE-CSNet等变深度展开架构，结合可学习稀疏性与随机等变训练，在CS-MRI等任务上性能优于传统及现有深度展开方法

Comments 35 pages, 10 figures. Under review

SUGFW+: An Uncertainty-guided Feature Weighting Framework for Cold Start Active Adaptation of SAM in Medical Image Segmentation

SUGFW+: 一种用于医学图像分割中SAM的冷启动主动适应的不确定性引导特征加权框架

Xiaochuan Ma, Ning Zhu, Jia Fu, Lanfeng Zhong, Hanyu Jiang, Bin Song, Kang Li, Guotai Wang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Glassgow College, University of Electronic Science and Technology of China（电子科技大学格拉斯哥学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； West China Hospital, Sichuan University（四川大学华西医院） 纠错

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

AI总结 针对医学图像分割中SAM冷启动主动适应的样本选择问题，提出SUGFW+框架，集成SAM的PFUC、PGDR模块与GSCU策略及UPFT过程，在四个公共数据集上取得CSAL任务的最优性能。

The Right Prior for the Right Deformation: Rethinking Continuous Deformable Image Registration

适配正确变形的正确先验：重新思考连续可变形图像配准

Hengjie Liu, Chushu Shen, Dan Ruan, Ke Sheng

机构 * University of California, San Francisco（加利福尼亚大学旧金山分校） ； Cedars-Sinai Medical Center（西达赛奈医疗中心） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

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

AI总结 本研究对比多种连续图像配准方法，发现配准精度取决于变形先验与目标运动模式的匹配度，多分辨率B样条方法MR-D-BSCP在脑部和肺部配准任务中表现最优。

Emergence of Transfer Learning towards Specific Identification of Alzheimer's Disease A Prospective Approach

面向阿尔茨海默病特定识别的迁移学习的涌现：一种前瞻性方法

Soumik Podder, Chandramouli Haldar

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

AI总结 本综述探讨迁移学习在阿尔茨海默病诊断中的应用，评估其优势与局限，结合可解释人工智能，为该领域新研究者提供指导。

Data-driven discovery and rapid, direct synthesis of MXenes

数据驱动的MXenes发现及其快速直接合成

Ali Saffar Shamshirgar, Guilherme Ribeiro Portugal, Soheil Ershadrad, Roman Ivanov, Martin Dahlqvist, Florian Chabanais, Sanjay Chakraborty, Rainer Traksmaa, Irina Hussainova, Fredrik Heintz, Per O.Å. Persson, Johanna Rosen

专题命中 医学影像 ：CT(summary_cn,abstract_cn)

AI总结 本研究结合机器学习数据库挖掘与实验，发现38种未被识别的ml-MXene，用快速自蔓延高温合成法重新发现5种MXenes，还制备11种稀土基M₂CT₂ MXenes，扩展了MXene家族并提供数据驱动的可持续材料发现策略。

Navigating Speech Enhancement for Real-Time MRI: A Systematic Assessment of Signal Quality, Source Preservation, and Downstream Tasks

实时磁共振成像（rtMRI）场景下的语音增强方法研究：信号质量、源保留及下游任务的系统评估

Huang-Cheng Chou, Sean Foley, Haley Hsu, Kevin Huang, Szu-Jui Chen, Rong Chao, Louis Goldstein, Khalil Iskarous, Dani Byrd, Yu Tsao, Sudarsana Reddy Kadiri, John H. L. Hansen, Shrikanth Narayanan

专题命中 医学影像 ：MRI(title)；分类 eess.SP

AI总结 本研究评估3种现成语音增强系统对rtMRI音频的效果，发现其增强效果与任务终点相关，无通用最优系统，增强音频为特定任务衍生物而非通用改进替代。

Comments Submitted to the Journal of the Acoustical Society of America (JASA). 18 pages, 3 figures, 11 tabels

Beyond Boundary Noise: Aggregated Aleatoric Uncertainty Fails to Capture Presence Ambiguity in 3D Lung Nodule Segmentation

超越边界噪声：聚合偶然不确定性无法捕捉3D肺结节分割中的存在歧义

Simon Baur, Arne Schernich, Ekin Böke, Wojciech Samek, Jackie Ma

机构 * Fraunhofer Heinrich-Hertz-Institut（弗劳恩霍夫海因里希·赫兹研究所） ； Technische Universität Berlin（柏林工业大学） ； The Berlin Institute for the Foundations of Learning and Data (BIFOLD)（柏林学习与数据基础研究所（BIFOLD）） 纠错

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

AI总结 该研究针对3D肺结节分割，发现基于熵的聚合偶然不确定性无法捕捉病理存在的病例级歧义，提出轻量级监督歧义头可更有效建模该歧义，为医疗图像分割的不确定性估计提供了改进方向。

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 (East Palo Alto, United States)

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 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。

Adaptive Post-Processing Drives Instance-Level Detection in Stroke Lesion Segmentation

自适应后处理驱动卒中病灶分割中的实例级检测

Qinghui Liu, Jon André Ottesen, Atle Bjørnerud, Kyrre Eeg Emblem

机构 * Oslo University Hospital（奥斯陆大学医院） 纠错

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

AI总结 该研究针对卒中病灶分割的实例级检测问题，提出VCAP后处理方案，结合Viola2Plus架构，在ISLES'26数据集上显著提升了病灶F1得分，效果优于多数架构改进。

Comments 8 papges, 4 figs, 2 tables, MICCAI ISLES'26

Group ICA 2.0: Closing the Gap Between Subjects and Group Latent Decomposition with Copula-Linked Group ICA (CoLiG-ICA)

Group ICA 2.0：通过 Copula 链接组 ICA（CoLiG-ICA）缩小被试与组潜在分解之间的差距

Oktay Agcaoglu

专题命中 医学影像 ：MRI(abstract)；分类 cs.LG

AI总结 该研究提出 Group ICA 2.0 框架下的 CoLiG-ICA 算法，用于分解 fMRI 数据，相比传统方法可更好捕捉个体变异性，在精神分裂症分析中能识别更多额外脑网络。

EA-LiteUNet: An Edge-Adaptive and Resource-Efficient U-Net for Boundary-Sensitive Dermoscopic Image Segmentation

EA-LiteUNet：用于边界敏感皮肤镜图像分割的边缘自适应且资源高效的U-Net

Wang Jiangtao, Nur Intan Raihana Ruhaiyem, Fu Panpan, Yang Yu, Huang Yan

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

AI总结 本文针对皮肤镜图像分割的边界描绘难题，提出边缘自适应且资源高效的EA-LiteUNet，通过三类核心机制实现高精度边界分割，在公开数据集上以超轻量配置取得优异性能。

Comments 29 Pages,13 figures, 8 tables