科学与医疗
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
DAMamba-UNet3D：一种用于3D医学图像分割的参数高效的Mamba状态空间U-Net，采用动态自适应扫描
机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 该研究针对3D医学图像分割，提出DAMamba-UNet3D混合编码器-解码器，在编码器特定阶段集成三平面3D-DAS块，降低参数成本，通过实验对比展示其在分割性能上的优势，表明学习的三平面DAS在混合U-Net中有竞争力。
基于超像素的二次无约束二进制优化用于可扩展量子增强医学图像分割
机构 * American University of Beirut（贝鲁特美国大学） ； Centre de Visió per Computador (CVC)（计算机视觉中心 (CVC)） ； Ingenii Inc.（英格尼公司） ； Hamad Bin Khalifa University（哈马德·本·哈利法大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对QUBO用于医学图像分割时的可扩展性挑战，提出基于超像素的QUBO框架，用简单线性迭代聚类分组像素，在区域邻接图上公式化分割。实验表明该方法提升了分割质量、计算速度并减小问题规模，还符合量子退火器连接限制。
Comments 7 pages, 2 figures
SLIP：用于3D医学图像的低延迟交互式提示分割
机构 * IRCAD France（法国国际消化道疾病研究中心） ； Université de Strasbourg, CNRS, ICube（斯特拉斯堡大学、法国国家科学研究中心、ICube实验室） ； IRCCS Humanitas Research Hospital（圣心研究医院） ； Humanitas University（圣心大学） ； Fondazione Policlinico Universitario A. Gemelli, Istituto di Ricovero e Cura a Carattere Scientifico (IRCCS)（圣心综合大学医院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对3D医学图像交互式分割中现有方法的问题，提出SLIP框架，解耦图像编码与提示细化，通过复用特征和维护交互感知状态降低延迟，支持可逆提示，经用户研究验证其在多方面优于现有方法，实现SOTA性能。
医学图像修复中的扩散模型：挑战、解决方案分类及未来方向
机构 * Aeronautics Institute of Technology（航空技术学院） ； Science and Technology Institute, Federal University of São Paulo（圣保罗联邦大学科学与技术研究所） ； LASIGE, Faculdade de Ciências, Universidade de Lisboa（里斯本大学理学院LASIGE实验室） ； University of Coimbra, CISUC/LASI – Centre for Informatics and Systems of the University of Coimbra（科英布拉大学CISUC/LASI - 科英布拉大学信息与系统中心） ； Instituto Superior Técnico, Universidade de Lisboa, Instituto de Telecomunicações（里斯本大学高等技术学院、电信研究所）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 该研究对基于扩散的医学图像修复方法进行系统回顾，涵盖多方面内容并提出分类法。分析显示相关研究兴趣快速增长，扩散模型在生成合理重建结果及辅助临床任务上表现出色，但也面临缺乏标准化基准等挑战。
MedDiT4SR：用于医学图像超分辨率的预训练扩散Transformer的三流联合自适应
专题命中 医学影像 ：medical image(title,abstract)；分类 eess.IV
AI总结 研究针对医学图像超分辨率难题，提出MedDiT4SR三流自适应框架，集成多种表示于扩散Transformer块，引入SR Adapter和SA Refiner，实验验证该框架能有效让预训练DiT模型适应不同医学成像域的超分辨率任务。
一轮就够了：用于任务异构多标签医学图像分类的解析联邦学习
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.LG
AI总结 针对任务异构的多标签医学图像分类问题，提出解析联邦学习框架，通过平衡标签投影、每类绝对聚合法则等闭式操作，最多两轮通信，优于FedMLP，提升分类指标并减少通信量。
Comments The 14th IEEE International Conference on Healthcare Informatics
后验采样是医学图像翻译中缺失模态的生成器
机构 * Sungkyunkwan University（成均馆大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 针对医学图像因时间和协议限制存在缺失模态的问题，提出统一框架，将缺失模态生成视为联合分布下的线性逆问题，通过后验采样及流匹配模型解决，在多数据集实验中性能优于基线，下游肿瘤分割表现更好。
Comments ECCV 26
用于无训练测试时医学图像分割的内存支持协同适应
机构 * School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院） ； School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院） ； Information Systems Technology and Design Pillar, Singapore University of Technology and Design（新加坡科技设计大学信息系统技术与设计支柱）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对医学图像分割中测试时适应的挑战，提出内存支持协同适应（MSSA）框架，不更新模型参数，通过构建在线内存、文本引导语义先验及跨图像结构对齐实现稳健适应，实验证明其优于现有方法。
Comments 18 pages, ECCV 2026
从人类视角理解：用于交互式自我中心医学图像分割的多智能体系统
机构 * School of Instrument Science and Engineering, Southeast University（东南大学仪器科学与工程学院） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Sichuan University-Pittsburgh Institute, Sichuan University（四川大学匹兹堡学院） ； Department of Biomedical Engineering, Case Western Reserve University（凯斯西储大学生物医学工程系）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究交互式自我中心医学图像分割面临的挑战，提出EgoMed-Agent多智能体系统，通过目标确认和定位引导传播工作流程从人类视角理解目标，实验显示该系统平均Dice远超基线，效果显著。
MIS-HCC：用于高效医学图像分割的分层通道聚类
机构 * Yale University（耶鲁大学） ； University of Florida（佛罗里达大学） ； Wichita State University（威奇托州立大学） ； Purdue University（普渡大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Zhejiang University（浙江大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 针对医学图像分割模型在资源受限平台部署的挑战，提出分层聚类压缩方法MIS-HCC，利用瓦瑟斯坦距离表示通道相似性形成矩阵指导聚类，融合通道生成压缩网络，实验证明其在精度和压缩效率上优于现有方法。
OFD-Net：基于前景-背景正交特征解缠网络的无教师可靠半监督医学图像分割
机构 * Key Laboratory of Nondestructive Testing, Ministry of Education, Nanchang Hangkong University（南昌航空大学无损检测技术教育部重点实验室）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对医学图像分割标注有限问题，提出无教师单网络框架OFD-Net。通过正交特征解缠模块和引导模块，有效减少误差积累。并开发可靠性感知伪标签学习机制，降低不可靠区域权重。实验验证其有效性，建立了高效可靠的训练范式。
用于文本引导医学图像分割的定位注入视觉语言语义融合
机构 * Air Force Engineering University（空军工程大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； University of Sydney（悉尼大学） ； Institute of Translational Medicine, Shanghai Jiao Tong University（上海交通大学转化医学研究院） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对文本引导医学图像分割，提出LoG框架，通过联合执行多尺度目标定位任务，实现三级定位注入语义融合，在三个基准数据集实验中表现出色，优于现有医学图像分割方法。
ReportMedSAM：通过放射学报告指导分割
机构 * School of Engineering, College of Engineering and Physical Sciences, University of Birmingham（工程学院，工程与物理科学学院，伯明翰大学） ； Department of Cancer and Genomic Sciences, College of Medicine and Health, University of Birmingham（癌症与基因组科学系，医学与健康学院，伯明翰大学） ； Department of Computer Science, Faculty of Science and Engineering, University of Manchester（计算机科学系，科学与工程学院，曼彻斯特大学） ； The Division of Informatics, Imaging and Data Science, Faculty of Biology, Medicine, and Health, University of Manchester（信息学、成像与数据科学部，生物、医学与健康学院，曼彻斯特大学）
专题命中 医学影像 ：radiology(title,abstract)；分类 cs.CV
AI总结 研究旨在解决将放射学报告转换为可靠分割的难题。提出ReportMedSAM框架，利用医学视觉语言编码器通过对比学习建立语义锚点，推理时匹配概念库激活MoE模块，实现对新任务无缝扩展，在数据集上取得较好分割精度。
UniMedSeg：用于多范式2D/3D医学图像分割的统一上下文学习
机构 * Harbin Institute of Technology at Shenzhen（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory（鹏城实验室） ； University Hospital Tübingen（图宾根大学医院） ； German Center for Mental Health（德国心理健康中心） ； Chinese University of Hong Kong（香港中文大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对医学图像分割基础模型存在的问题，提出以Transformer为中心的UniMedSeg框架，通过映射多种信息到共享序列空间联合学习异构医学监督，引入解耦分割注意力克服内存瓶颈，在多类分割任务中实现最优性能且无需特定任务微调。
用于一步式3D医学图像翻译的频谱一致流
机构 * University of Science and Technology of China（中国科学技术大学） ； The First Affiliated Hospital of USTC（中国科学技术大学附属第一医院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 该研究提出频谱一致流（SC-Flow）框架用于3D医学图像翻译，通过将其 reformulate 为随机布朗桥过程，引入频谱一致性校正器减轻相关问题，经四个数据集实验验证，此方法在多场景下性能更优。
VCDP：用于半监督医学图像分割的变异条件分布代理学习
机构 * Yale University（耶鲁大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究半监督3D医学图像分割问题，提出VCDP方法，通过可学习高斯分布和变异原型表示类语义及模式，用统一分数融合相似性与聚合，改进了多器官分割基线，尤其对复杂器官分割效果好。
SHTA：用于半监督医学图像分割的语义硬令牌校正和中心对齐
机构 * Yale University（耶鲁大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 针对半监督医学图像分割中硬区域语义一致性不足问题，提出SHTA方法，通过语义分配等技术细化语义表示，集成到多个框架并在相关数据集评估，能提升分割精度等性能，且仅增加训练开销。
Comments 9 pages, 7 figures, 4 tables
HPR-SAM：基于无提示SAM的医学图像分割的分层概率表示学习
机构 * Yale University（耶鲁大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 研究针对无提示SAM医学图像分割中现有方法局限，提出HPR框架，通过DAR、MAR、LRR学习互补解剖学表示，经HPF整合预测并兼容原始SAM解码器，实验验证该框架在多数据集上有效，达最优性能。
Comments 9 pages, 4 figures
CogRad：一种用于放射学报告生成的受认知启发的多智能体框架
机构 * German Research Center for Artificial Intelligence（德国人工智能研究中心） ； Intelligentx GmbH（智能X有限公司） ； Department of Core Informatics, Graduate School of Informatics, Osaka Metropolitan University（大阪城市大学信息科学研究生院核心信息学系）
专题命中 医学影像 ：radiology(title,abstract)；分类 cs.CV
AI总结 提出受认知启发的多智能体框架CogRad，围绕放射科医生阅读过程的四个阶段构建报告生成，通过多智能体协作提升报告质量，在多个数据集上取得最佳成绩。
双自适应SAM3：基于低秩专家层的分层路由用于参数高效的医学图像分割
机构 * Shenzhen Research Institute, The Chinese University of Hong Kong（香港中文大学深圳研究院） ； University of Science and Technology of China（中国科学技术大学） ； Nanyang Technological University（南洋理工大学） ； Imperial Global Singapore (IGS), Imperial College London（伦敦帝国理工学院新加坡帝国全球（IGS））
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 提出双自适应SAM3框架，通过任务感知的动态专家路由器和参数感知的分解参数化专家设计，兼顾分割精度与参数效率，在医学图像分割上有高表现。
Comments Accepted by MICCAI 2026
RadiomicNet: 一种混合放射组学引导的轻量级可解释医学图像分割架构
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Ahsanullah University of Science and Technology (AUST)（阿萨努拉科学与技术大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 提出RadiomicNet，通过放射组学注意力门（RAG）将手工放射组学特征集成到轻量级编码器-解码器中，实现可解释分割，在BUSI和Kvasir-SEG数据集上分别达到0.763和0.854的Dice系数，参数仅3.27M。
Comments Accepted at the IEEE ICIP 2026 LBDL 2 Workshop
细粒度放射学报告检索的时空与临床条件化
机构 * Department of Computer Science University of Bristol（计算机科学系 布里斯托大学）
专题命中 医学影像 ：radiology(title,abstract)；分类 cs.CV
AI总结 提出STAR3框架，通过区域级解剖信息与临床指征及纵向变化对齐，实现基于检索的放射学报告生成，在MIMIC-CXR上优于现有方法。
Comments 14 pages, 2 figures, 6 tables
通过混合自然语言和临床奖励学习实现精确召回可控的放射学报告生成
机构 * The Ohio State University（俄亥俄州立大学） ； University Medical Center Regensburg（雷根斯堡大学医学中心）
专题命中 医学影像 ：radiology(title,abstract)；分类 cs.CV
AI总结 提出一种强化学习框架，通过控制参数在推理时调整临床精确率与召回率的权衡，并引入临床奖励和组相对训练策略，在MIMIC-CXR数据集上优于现有方法。
Comments Accepted by MICCAI 2026
MedCAGD：用于高效医学图像分割的上下文感知门控解码器
机构 * School of Computing, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院计算学院） ； Department of Energy, Aalborg University（奥尔堡大学能源系）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 提出一种上下文感知门控解码器，通过轻量多尺度通道重校准、门控跳跃融合和全局上下文聚合机制，有效利用预训练编码器特征，在11个基准上优于强基线。
Comments Accepted at the European Conference on Computer Vision (ECCV 2026)
概念对齐对比与长短提示记忆用于SAM3在医学图像分割中的测试时自适应
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Faculty of Information Technology, Monash University（莫纳什大学信息技术学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 提出CM-TTA框架，通过概念对齐对比（CAC）度量选择最佳增强视图作为监督，并设计长短提示记忆（LSPM）模块平衡快速与稳定自适应，显著提升SAM3在医学图像分割中的测试时性能。
透视多视图：通过选择性神经元进行参数高效微调以实现一致的放射学报告生成
机构 * MedVisAI Lab（MedVisAI实验室） ； Lee Kong Chian School of Medicine, Nanyang Technological University, Singapore（新加坡南洋理工大学李光前医学院） ； Centre of AI in Medicine, Singapore（新加坡人工智能医学中心） ； The Chinese University of Hong Kong, Sha Tin, New Territories, Hong Kong（香港中文大学） ； National Heart Centre Singapore (NHCS), Singapore（新加坡国家心脏中心）
专题命中 医学影像 ：radiology(title,abstract)；分类 cs.CV
AI总结 提出View-PNDF框架，通过检测和微调视图特定神经元，从神经元层面实现多视图X光报告的一致性生成，仅更新少量参数即可提升视图特定报告质量并保持通用性能。
Comments Accepted by MICCAI2026
文本作为照明：面向语言引导医学图像分割的空间对比度Retinex学习
机构 * School of Software Technology & DUT-RU International School of Information Science and Engineering, Dalian University of Technology（大连理工大学软件学院 & 大连理工大学-俄罗斯国际信息科学与工程学院） ； School of Future Technology, Dalian University of Technology（大连理工大学未来技术学院） ； Central Hospital of Dalian University of Technology（大连理工大学中心医院） ； Cancer Hospital of Dalian University of Technology（大连理工大学肿瘤医院） ； College of Computer Science and Engineering, Shandong University of Science and Technology（山东科技大学计算机科学与工程学院）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 提出TIRNet框架，将文本嵌入作为语义照明调制特征，通过Retinex启发模块和对比损失实现语言与分割的精确对齐，在MosMedData+和QaTa-COV19数据集上取得最优性能。
Comments Aceepted by MICCAI2026. More modifications may be performed
基于注意力机制的原型校准用于多评估者少样本医学图像分割
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 提出一种注意力原型校准框架，通过建模评估者特异性偏差，在不修改骨干网络的情况下实现个性化分割，有效提升多评估者少样本分割性能。
Comments Accepted to MICCAI 2026. This is the pre-review submitted version, not the camera-ready version. The final authenticated version will be available in the MICCAI 2026 proceedings
多项式Dice损失用于医学图像分割
机构 * Graduate School of Advanced Science ； Engineering Hiroshima University Higashi-Hiroshima, Japan
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 提出多项式Dice损失，通过泰勒展开将Dice损失表示为多项式形式，调整高阶分量贡献，以应对数据不平衡和小病灶检测挑战，在多个分割任务中取得竞争性能。
Comments Accepted to ICANN2026
通过显式建模标注偏差和变异性的高斯过程可解释概率医学图像分割
机构 * University College London（伦敦大学学院） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Oxford（牛津大学） ； University College London Hospitals NHS Trust（伦敦大学学院医院NHS信托基金会） ； Imperial College Healthcare（帝国理工学院医疗保健）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 提出基于随机变分高斯过程的logit空间概率分割框架，显式分解为图像相关参考分布和标注者特定扰动，提高不确定性校准并保持分割精度。
Comments Accepted at MICCAI 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈