医学 AI

Segmentation and Classification of Pap Smear Images for Cervical Cancer Detection Using Deep Learning

基于深度学习的宫颈癌检测中巴氏涂片图像分割与分类

Nisreen Albzour, Sarah S. Lam

机构 * Binghamton University（宾夕法尼亚大学） 纠错

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

AI总结 提出结合U-Net分割与分类模型的深度学习框架，在Herlev数据集上评估分割对分类性能的影响，结果显示分割略微提升精确率和F1分数，但影响有限。

Comments Version 2: Added recent references, updated Figure 1, and improved manuscript presentation

Label Hierarchy Transition: Delving into Class Hierarchies to Enhance Deep Classifiers

标签层次转换：深入研究类层次结构以增强深度分类器

Renzhen Wang, De cai, Kaiwen Xiao, Xixi Jia, Xiao Han, Deyu Meng

机构 * School of Mathematics and Statistics and Ministry of Education Key Lab of Intelligent Networks and Network Security, Xi’an Jiaotong University（数学与统计学学院和教育部智能网络与网络安全重点实验室，西安交通大学） ； Tencent AI Lab（腾讯AI实验室） ； ByteDance（字节跳动） ； SINGPATH AI Lab, SingPath Medical Technology Pte. Ltd.（SingPath AI实验室，SingPath医疗科技私人有限公司） ； School of Mathematics and Statistics, Xidian University（数学与统计学学院，西安电子科技大学） ； College of Biomedical Engineering, Sichuan University（生物医学工程学院，四川大学） ； School of Mathematics and Statistics, Ministry of Education Key Lab of Intelligent Networks and Network Security, Xi’an Jiaotong University（数学与统计学学院和教育部智能网络与网络安全重点实验室，西安交通大学） ； Macao Institute of Systems Engineering, Macau University of Science and Technology（澳门系统工程研究院，澳门科技大学） 纠错

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

AI总结 研究针对层次分类中现有方法未充分利用类别相关性的问题，提出基于深度学习的LHT统一概率框架，由转换网络和混淆损失构成，实验证明其优于现有方法，还扩展到皮肤病变诊断任务展现潜力。

CLoE: Expert Consistency Learning for Robust Missing Modality Segmentation

CLoE: 面向鲁棒缺失模态分割的专家一致性学习

Xinyu Tong, Meihua Zhou, Bowu Fan, Haitao Li

机构 * University of Chinese Academy Sciences（中国科学院大学） ； School of Medicine, Southeast University（东南大学医学院） ； Zhejiang University（浙江大学） 纠错

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

AI总结 提出CLoE框架，通过模态专家一致性和区域专家一致性双重目标，结合可靠性感知门控网络，解决多模态分割中模态缺失导致的专家分歧和不稳定融合问题，在BraTS 2020和MSD Prostate上超越现有方法。

Beyond Nearest Neighbor Interpolation in Data Augmentation

超越数据增强中的最近邻插值

Olivier Rukundo

机构 * Department of Electronic and Computer Engineering, University of Limerick（电子与计算机工程系，利默里克大学） 纠错

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

AI总结 本文提出改进的几何变换函数和均值分类过滤机制，以避免最近邻插值带来的标注误差和低通滤波影响，通过离线数据增强管道提升医学图像分割性能。

Comments 10 pages, 11 figures, 14 tables

A Unified Framework for Joint Detection of Lacunes and Enlarged Perivascular Spaces

一种用于腔隙和扩大血管周围空间联合检测的统一框架

Lucas He, Krinos Li, Hanyuan Zhang, Runlong He, Silvia Ingala, Luigi Lorenzini, Marleen de Bruijne, Frederik Barkhof, Rhodri Davies, Carole Sudre

机构 * Hawkes Institute, University College London, UK Unit for Lifelong Health ； Aging, University College London, UK Bioengineering Department ； Imperial-X, Imperial College London, UK Department of Diagnostic Radiology, Copenhagen University Hospital, Denmark Department of Radiology \& Nuclear Medicine, Amsterdam UMC, Vrije Universiteit, The Netherlands Department of Radiology ； Nuclear Medicine, Erasmus MC, Rotterdam, The Netherlands Queen Square Institute of Neurology, University College London, UK Institute of Cardiovascular Sciences, University College London, UK Barts Heart Centre, St Bartholomew's Hospital, London, UK 纠错

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

AI总结 本文提出了一种统一框架，通过形态解耦和混合监督策略，提高EPVS和腔隙的联合检测性能，并在大规模数据集上验证了其鲁棒性。

Comments Accepted to the 29th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2026)

COLORA: Efficient Fine-Tuning for Convolutional Models with a Study Case on Optical Coherence Tomography Image Classification

COLORA：面向卷积模型的高效微调方法及在光学相干断层扫描图像分类中的应用案例

Mariano Rivera, Angello Hoyos

机构 * Centro de Investigación en Matemáticas, A.C. (CIMAT)（数学研究所（CIMAT）） 纠错

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

AI总结 该研究提出参数高效微调方法CoLoRA，可减少卷积模型80%以上可训练参数，在医学及非医学图像分类任务中实现性能与效率的良好平衡，为卷积模型全量微调提供替代方案。

Comments 15 pages, 13 figures

EliSeg: Verified Target Construction for Report-Grounded Abnormality Segmentation

EliSeg：面向报告驱动的异常分割的经验证目标构建

Chengyi Peng, Haoyu Yang, Meixing Shi, Yuxiang Cai, Yankai Jiang

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

AI总结 本文针对放射学报告未指定分割目标的问题，提出EliSeg框架，通过提议-验证-修订机制实现报告驱动的异常分割，在MIMIC-CXR-ILS等数据集上性能优于现有方法。

Comments Minor revision: fixed author metadata rendering in the arXiv HTML version

PolypSteer: Counterfactual Endoscopic Synthesis via Training-Free Activation Steering

MedSteer: 通过无训练激活引导进行反事实内窥镜合成

Trong-Thang Pham, Loc Nguyen, Anh Nguyen, Hien V. Nguyen, Ngan Le

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

AI总结 MedSteer通过无训练激活引导生成反事实内窥镜图像，提升医学影像数据增强效果

Forgetting-Resistant and Lesion-Aware Source-Free Domain Adaptive Fundus Image Analysis with Vision-Language Model

具有遗忘抵抗性和病变意识的源无关域自适应视网膜图像分析与视觉-语言模型

Zheang Huai, Hui Tang, Hualiang Wang, Xiaomeng Li

机构 * The Hong Kong University of Science（香港科学与技术大学） 纠错

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

AI总结 本文提出FRLA方法，通过保留目标模型的自信预测和利用ViL模型的细粒度知识，提升视网膜图像诊断的源无关域自适应性能。

Comments Some experimental results in Section 3 are based on comparisons that may not be entirely fair

Rethinking Uncertainty Quantification and Entanglement in Image Segmentation

重新思考图像分割中的不确定性量化与纠缠

Jakob Lønborg Christensen, Vedrana Andersen Dahl, Morten Rieger Hannemose, Anders Bjorholm Dahl, Christian F. Baumgartner

机构 * Technical University of Denmark, DTU Compute（丹麦技术大学，DTU计算学院） ； University of Lucerne, Faculty of Health Sciences and Medicine（卢塞恩大学，医学与健康科学学院） 纠错

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

AI总结 本文研究了图像分割中不确定性量化的分解与纠缠问题，分析了不同模型组合的不确定性纠缠程度，并提出量化指标，评估了不同任务下的性能。

The inattentional gap in task conditioned AI models that omit otherwise reportable safety critical signals

注意间隙：任务条件化的语言和视觉模型忽略它们本可报告的安全关键信号

Kwan Soo Shin

机构 * PolymathMinds Lab（PolymathMinds 实验室） 纠错

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

AI总结 本研究揭示任务条件化会导致语言和视觉模型抑制对共存安全关键信号的报告，形成“注意间隙”，且该现象在多种模型和任务中普遍存在，不随规模增大而减弱，使基准安全与实际安全脱钩。

Comments 62 pages (31-page article and 31-page supplementary information), 8 figures, 4 tables. v3: corrects the author metadata to the sole author, Kwan Soo Shin; revised title and abstract; adds cross-vendor and flagship validation, signal-detection and specified-task controls, and dual-process probes. Reproducibility deposit: doi:10.5281/zenodo.20826823

Feasibility of simultaneous EEG-fMRI at 0.55 T: Recording, Denoising, and Functional Mapping

0.55T下同时进行EEG-fMRI可行性的研究：记录、去噪与功能映射

Parsa Razmara, Takfarinas Medani, Majid Abbasi Sisara, Anand A. Joshi, Rui Chen, Woojae Jeong, Ye Tian, Krishna S. Nayak, Richard M. Leahy

专题命中 医学影像 ：MRI(abstract)；分类 eess.SP

AI总结 本研究证明在0.55T下同时进行EEG-fMRI的可行性，通过去噪和功能映射展示了多模态神经成像的潜力。

On the Viability of Semi-Supervised Segmentation Methods for Statistical Shape Modeling

半监督分割方法在统计形状建模中的可行性研究

Asma Khan, Tushar Kataria, Janmesh Ukey, Shireen Y. Elhabian

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

AI总结 本研究系统评估半监督分割方法作为手动分割替代方案的可行性，建立相关性能基准，发现部分半监督方法在减少60%-80%手动标注时，可生成与手动分割效果相当的SSM。

Topology-Constrained Quantized nnUNet for Efficient and Anatomically Accurate 3D Tooth Segmentation

用于高效且解剖学准确的3D牙齿分割的拓扑约束量化nnUNet

Paarth Prasad, Ruchika Malhotra

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

AI总结 本研究提出拓扑约束量化nnUNet框架，通过整合牙齿特异性拓扑损失与8位量化技术，在减少拓扑错误、保留解剖精度的同时维持硬件效率，适用于资源受限的临床牙科CBCT分割场景。

SparseContrast: Dynamic Sparse Attention for Efficient and Accurate Contrastive Learning in Medical Imaging

SparseContrast: 动态稀疏注意力机制用于医学影像中高效且准确的对比学习

Paarth Prasad, Ruchika Malhotra

机构 * Delhi Technological University（德里技术大学） 纠错

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

AI总结 本文提出SparseContrast框架，通过动态稀疏注意力机制提升医学影像对比学习效率与准确性，尤其在低数据环境下用于胸部X光疾病检测。

Deep Expert Injection for Anchoring Retinal VLMs with Domain-Specific Knowledge

深度专家注入用于带有领域特定知识的视网膜视觉语言模型的锚定

Shuai Lu, Meng Wang, Jia Guo, Jiawei Du, Bo Liu, Shengzhu Yang, Weihang Zhang, Huazhu Fu, Huiqi Li

机构 * Beijing Institute of Technology, Beijing, China（北京理工大学） ； National University of Singapore, Singapore（新加坡国立大学） ； Tsinghua University, Beijing, China（清华大学） ； The Hong Kong Polytechnic University, Hong Kong（香港理工大学） 纠错

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

AI总结 本文提出EyExIn框架，通过深度专家注入机制提升视网膜VLMs的领域知识嵌入能力，解决感知与推理间隙问题，实现高精度眼科视觉问答。

CARE: Anti-entanglement Ultrasound Image Segmentation via Channel-Aware Region Extrication

CARE：通过通道感知区域提取实现抗纠缠超声图像分割

Weixin Xu, Yuting Lu, Luqi Gong, Qing Guo, Ziliang Wang, Yun Xing

机构 * Beihang University（北航） ； Peking University（北京大学） 纠错

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

AI总结 研究针对超声图像分割中目标与背景纠缠问题，提出通道感知区域提取（CARE）框架，通过分离编码响应及区域交互恢复病变线索，在多个基准实验中表现卓越，有效解决了视觉模糊性问题。

Comments 10 pages, 7 figures

CPSNet: Physics-Inspired Label-Free Deep Unfolding for Lung Ultrasound B-Line Detection

CPSNet：用于肺部超声 B 线检测的物理启发式无标签深度展开

Tianqi Yang, Oktay Karakuş, Nantheera Anantrasirichai, Marco Allinovi, Alin Achim

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

AI总结 提出用于肺部超声图像分析的 CPSNet 无标签深度展开框架，将柯西近端分裂算法展开为网络架构，引入新损失函数，无监督训练，用于 B 线检测时比传统方法更具优势，能有效辅助临床诊断。

Comments 21 pages, 8 figures, Digital Signal Processing

Journal ref Yang, T., Karakus, O., Anantrasirichai, N., Allinovi, M., & Achim, A. (2026). CPSNet: Physics-Inspired Label-Free Deep Unfolding for Lung Ultrasound B-Line Detection. Digital Signal Processing, 184, 106399

Controllable Generation of Diverse Dermatological Imagery for Fair and Efficient Malignancy Classification

用于公平高效恶性肿瘤分类的可控多样皮肤病图像生成

Héctor Carrión, Narges Norouzi

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 研究针对皮肤病诊断中缺乏多样标注图像的问题，提出cgDDI框架，能合成健康皮肤样本、映射罕见病变，支持自动分割掩码，通过多数据集验证，提高了恶性肿瘤分类准确率，公开相关资源推动公平性研究。

Comments Accepted at MICCAI 2026

LUMOS: Latent Universal Medical Priors for Segmentation

GuiDINO：重新思考医学图像分割中的视觉基础模型

Zhuonan Liang, Wei Guo, Jie Gan, Yaxuan Song, Runnan Chen, Hang Chang, Weidong Cai

机构 * The University of Sydney, Sydney. NSW 2006, Australia Biological System \& Engineering Division, Lawrence Berkeley National Laboratory, Berkeley. CA 94720, USA Berkeley Biomedical Data Science Center, Lawrence Berkeley National Laboratory, Berkeley. CA 94720, USA 纠错

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

AI总结 GuiDINO通过引导掩码机制提升医学图像分割性能，提供了一种参数高效的基础模型适应方法。

Comments 13 pages, 10 figures, 12 tables

HTC-SGA Former: A Hybrid Transformer-CNN Network with Self-Guided Attention and a New Boundary-Weighted Adaptive Loss for Coronary DSA Vessel Segmentation

HTC-SGA Former: 一种结合自引导注意力与新型边界加权自适应损失的混合Transformer-CNN网络用于冠状动脉DSA血管分割

Rayan Merghani Ahmed, Marwa Omer Mohammed Omer, Mohamed Elmanna, Shijie Li, Bin Li, Shoujun Zhou

机构 * Shenzhen Institutes of Advanced Technology (SIAT)（深圳先进技术研究院） ； University of Chinese Academy of Sciences (UCAS)（中国科学院大学） ； Department of Biomedical Engineering and Systems, Faculty of Engineering（工程学院生物医学工程与系统系） ； Cairo University（开罗大学） 纠错

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

AI总结 提出HTC-SGA Former混合网络，通过CNN编码器提取局部血管形态、Transformer解码器建模上下文、MS-GLWA模块实现全局-局部注意力、SGFA模块增强弱血管响应及BWACL损失函数优化边界，在0.81M参数下超越14种方法，提升细血管恢复与连续性。

Comments 20 pages, 10 figures, 3 tables. Submitted for journal review

LAW & ORDER: Adaptive Spatial Weighting for Medical Diffusion and Segmentation

法律与秩序：医学扩散与分割的自适应空间加权

Anugunj Naman, Ayushman Singh, Gaibo Zhang, Yaguang Zhang

机构 * Elmore Family School of Electrical and Computer Engineering（埃尔莫尔电气与计算机工程学院） ； Purdue University（普渡大学） ； Sesame AI ； Department of Computer Science（计算机科学系） ； Department of Agricultural and Biological Engineering (ABE)（农业与生物工程系） ； Department of Agricultural Sciences Education and Communication (ASEC)（农业科学教育与交流系） 纠错

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

AI总结 研究医学图像分析中自适应空间加权，通过两个适配器实现。LAW为掩码条件扩散学习像素损失权重，ORDER通过选择性双向跳跃注意力改进分割，在多个数据集上取得良好效果，证明该方法对医学扩散和分割的有效性。

Comments Accepted at TMLR

Variational Sparse Paired Autoencoders (vsPAIR) for Inverse Problems and Uncertainty Quantification

用于逆问题和不确定性量化的变分稀疏配对自动编码器(vsPAIR)

Jack Michael Solomon, Rishi Leburu, Matthias Chung

机构 * Emory University Department of Mathematics（埃默里大学数学系） 纠错

专题命中 医学影像 ：CT(abstract)；分类 cs.LG

AI总结 针对逆问题，提出变分稀疏配对自动编码器(vsPAIR)。架构通过学习的潜在映射连接标准VAE和稀疏VAE，能进行不确定性估计，鼓励可解释性，提供结构化不确定性估计，实验验证其有效性。

Diverse Normal Prototypes-Guided Contrastive Reconstruction for Medical Anomaly Detection

用于医学异常检测的多样正常原型引导对比重建

Luhu Li, Bin Liu, Bowen Lin, Zihan Shen, Chengwei Wang, Shujun Fu

机构 * School of Mathematics, Shandong University（山东大学数学学院） ； Department of Interventional Medicine and Minimally Invasive Oncology, The Second Qilu Hospital of Shandong University（山东大学第二齐鲁医院介入医学与微创肿瘤科） ； Department of Neurosurgery, The Second Qilu Hospital of Shandong University（山东大学第二齐鲁医院神经外科） 纠错

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

AI总结 针对医学图像异常检测中注释有限和领域差距问题，提出DNP-ConFormer框架，集成可训练编码器、原型引导重建和多样性感知对齐损失，提升表征质量和异常定位能力。

Comments Accepted to MICCAI 2026

Controllable Diffusion-Based Lesion Inpainting for Scalable Histopathology Data Augmentation

基于可控扩散的病灶修复用于可扩展的组织病理学数据增强

Mohamad Koohi-Moghadam, Mohammad-Ali Nikouei Mahani, Rex K. H. Au-Yeung, Raymond Yu O, Monalyn Marabi, Piyapharom Intarawichian, Fabian Z. X. Lean, Andrew Ferguson, Kyongtae Tyler Bae

机构 * Department of Diagnostic Radiology, Li Ka Shing Faculty of Medicine, The University of Hong Kong（香港大学李嘉诚医学院诊断放射学系） ； Department of Pathology, Li Ka Shing Faculty of Medicine, The University of Hong Kong（香港大学李嘉诚医学院病理学系） ； Department of Anatomical and Cellular Pathology, Prince of Wales Hospital, The Chinese University of Hong Kong（香港中文大学威尔斯亲王医院解剖及细胞病理学系） ； Department of Infectious Diseases and Public Health, Jockey Club College of Veterinary Medicine and Life Sciences, City University of Hong Kong（香港城市大学赛马会动物医学及生命科学院传染病及公共卫生学系） ； CityU Veterinary Diagnostic Laboratory Co., Ltd., City University of Hong Kong（香港城市大学城市大学兽医诊断实验室有限公司） 纠错

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

AI总结 提出PathoGen扩散模型，将病灶可控地修复到良性组织图像中，生成高保真形态，在四个数据集上优于基线，病理专家区分真假仅略高于随机（57.75%），数据增强使分割Dice提升最高0.18。

Comments 19 pages, 5 figures, 1 Table

Multi-Channel Uncertainty-Weighted Score Matching for Conditional Diffusion in Medical UDA

多通道不确定性加权分数匹配用于医学UDA中的条件扩散

Chen Li, Meilong Xu, Xiaoling Hu, Weimin Lyu, Chao Chen

机构 * Stony Brook University（石溪大学） ； Massachusetts General Hospital and Harvard Medical School（麻省总医院与哈佛医学院） 纠错

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

AI总结 提出UPDiff-UDA框架，通过不确定性加权的分数匹配聚合多通道伪标签，结合贝塞尔曲线适应，提升跨模态医学图像分割性能。

Comments 28 pages, 7 figures. Accepted by ECCV'2026

Revisiting Performance Claims for Chest X-Ray Models Using Clinical Context

重新审视胸部X光模型的性能声明：利用临床背景

Andrew Wang, Jiashuo Zhang, Michael Oberst

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

AI总结 通过引入临床背景（预CXR概率）对胸部X光诊断模型进行分层分析，发现模型在高风险人群中性能下降，且当打破临床背景与当前标签的关联时性能恶化，揭示了临床实用性差距。

Comments Published at Conference on Health, Inference, and Learning (CHIL) 2026

Neuronal Stochastic Attention Circuit (NSAC) for Probabilistic Representation Learning

神经元随机注意力电路（NSAC）用于概率表示学习

Waleed Razzaq, Yun-Bo Zhao

机构 * Department of Automation, University of Science \& Technology of China, Hefei, China ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center 纠错

专题命中 医学影像 ：CT(abstract)；分类 cs.LG

AI总结 提出一种受生物学启发的连续时间注意力架构NSAC，通过Ornstein-Uhlenbeck随机微分方程和NCP门控机制在logits上诱导高斯分布，实现概率输出与不确定性量化。

Johnson-Lindenstrauss Lemma Guided Network for Efficient 3D Medical Segmentation

Johnson-Lindenstrauss引理引导的高效3D医学分割网络

Jinpeng Lu, Linghan Cai, Yinda Chen, Guo Tang, Songhan Jiang, Haoyuan Shi, Zhiwei Xiong

机构 * University of Science and Technology of China（中国科学技术大学） ； Dresden University of Technology（德累斯顿理工大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） 纠错

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

AI总结 提出VeloxSeg，通过双流CNN-Transformer架构（PWA和JLC）结合格拉姆矩阵空间解耦知识迁移，在低计算预算下实现多模态3D医学图像高效分割，Dice提升26%，GPU吞吐量提升11倍。

Comments 30 pages, 12 figures. Accepted at ICLR 2026

Clinically Aware Synthetic Image Generation for Concept Coverage in Chest X-ray Models

临床感知的合成图像生成用于胸部X光模型的概念覆盖

Amy Rafferty, Rishi Ramaesh, Ajitha Rajan

机构 * University of Edinburgh（爱丁堡大学） ； NHS Lothian（洛锡安国家健康服务） 纠错

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

AI总结 提出CARPA框架，通过解剖约束的概念扰动生成合成胸部X光图像，扩展临床概念覆盖，提升模型性能与可靠性。

Comments Accepted for presentation at the IJCAI-ECAI 2026 RobustifAI workshop