医学 AI

DualDiT: A Conditional Dual-Output Diffusion Transformer for Joint OCT Image and Segmentation Mask Generation

DualDiT：用于联合生成OCT图像与分割掩码的条件双输出扩散Transformer

Fernando García-Torres, Rocío del Amor, Sandra Morales, Álvaro Barroso, Peter Heiduschka, Björn Kemper, Valery Naranjo

机构 * Instituto Universitario de Investigación en Tecnología Centrada en el Ser Humano (HUMAN-tech), Universitat Politècnica de València（瓦伦西亚理工大学以人类为中心技术大学研究所） ； Artikode Intelligence S.L（Artikode智能公司） ； Biomedical Technology Center of the Medical Faculty, University of Muenster（明斯特大学医学院生物医学技术中心） ； Department of Ophthalmology, University of Muenster Medical Centre（明斯特大学医学中心眼科） 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DualDiT模型，联合生成小鼠OCT图像与分割掩码，在生成质量、下游分割性能上优于DDPM、LDM，可用于医学图像数据增强

OsteoCAD: A Human-in-the-Loop Cloud-Edge Framework for Bone Tumor Segmentation

OsteoCAD：一种用于骨肿瘤分割的人在回路云边协同框架

Maximo Rodriguez-Herrero, Dante D. Sanchez-Gallegos, Heriberto Aguirre-Meneses, Marco Antonio Núñez-Gaona, J. L. Gonzalez-Compean, Jesus Carretero

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

AI总结 针对医疗机构采用AI/DL医学影像分析的资源与专业壁垒，提出OsteoCAD云边协同框架，经墨西哥骨肿瘤分割案例验证，可低门槛实现端到端DL医疗应用。

MedXplore: Towards Reliable and Unbiased Generalized Category Discovery in Medical Imaging

MedXplore：面向医学成像中可靠且无偏的广义类别发现

Jianwei He, Kailin Lyu, Junhao Dong, Long Xiao, Wenjie Hou, Jingze Lu, Di Wu, Lin Shu, Jie Hao

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 针对医学成像中广义类别发现存在的旧类偏差问题，提出MedXplore框架，通过FAAC与ACAM模块优化表征学习，在多基准上实现准确率提升且旧类误报率显著降低。

Comments accepted by ACM MM 26

Beyond Static Costs: Learning-Dynamics Aware Loss Functions for Long-Tailed Classification

超越静态成本：用于长尾分类的学习动态感知损失函数

Varad Shinde, Nikhil Kumar Shrey, Magesh Rajasekaran, Md Saiful Islam Sajol, Harshil Bhargava, Subhajit Sidanta, Supratik Mukhopadhyay, Yimin Zhu

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

AI总结 针对长尾分类中现有方法依赖静态频率忽略学习动态的问题，提出学习动态感知损失函数LDAL，利用特征表示强度、类学习难度及预测变化调整权重，实验证明该方法显著超越现有方法，平衡了准确性和泛化性。

Efficient Ultrasound Image Segmentation with Token-Conditioned Neural Cellular Automata

基于令牌条件神经细胞自动机的高效超声图像分割

Fangyijie Wang, Tanya Akumu, Zi Ye, Guénolé Silvestre, Karim Lekadir, Kathleen M. Curran

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

AI总结 研究针对床旁超声图像分割计算成本高的问题，提出轻量级框架LANCANet，结合令牌条件神经细胞自动机适配器进行迭代特征细化，实验表明该方法在多数据集上性能优异，能提高分割精度与边界定位，保持计算效率。

Comments 13 pages

KANEx: Translating Kolmogorov-Arnold Networks' Interpretability to Medical Explainability

KANEx：将柯尔莫哥洛夫-阿诺德网络的可解释性转化为医学可解释性

Krithi Shailya, Ananya Lakshmi Ravi, Venkatanathan K. V., Sowmya S. Sundaram, Gokul S. Krishnan, Aditi Anand, Balaraman Ravindran

机构 * Indian Institute of Technology Madras（印度理工学院马德拉斯分校） ； Vanderbilt University School of Medicine（范德堡大学医学院） 纠错

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

AI总结 研究针对医学应用中视觉模型黑箱问题，提出KANEx框架，利用柯尔莫哥洛夫-阿诺德网络的符号透明度为VLM推理奠基，设计KAN-Map热图生成方法，经实验验证该方法能提升语义相似度、视觉定位及推理质量，为可信医学人工智能发展助力。

Comments MICCAI 2026

A Smooth Phase-Separation Model for Weak-Boundary Segmentation of Homogeneous Structures

用于均匀结构弱边界分割的平滑相分离模型

Zihan Li, Jiebao Sun, Fanghui Song, Zhichang Guo

机构 * School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院） 纠错

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

AI总结 针对相邻结构弱边界分割难题，提出基于Cahn-Hilliard方程的平滑相分离变分模型，结合区域拟合与相场正则化，引入梯度流并开发SAV方案，实验表明该方法能有效分割弱边界相邻均匀结构，提升分割精度与边界定位。

Difference-Driven Gating: Adaptive Feature Fusion for U-Net Decoder

差异驱动门控：U-Net 解码器的自适应特征融合

Kai Li, Xuechao Zou, Jiashen Fu, Zijun Yan, Xintong Wang, Xiaolin Hu

机构 * Department of Computer Science and Technology, Institute for Artificial Intelligence, BNRist, IDG/McGovern Institute for Brain Research, Tsinghua University（清华大学计算机科学与技术系、人工智能研究院、北京信息科学与技术国家研究中心、IDG/麦戈文脑科学研究院） ； Chinese Institute for Brain Research (CIBR)（中国脑科学研究院） ； School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机与信息技术学院） 纠错

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

AI总结 研究 U-Net 风格模型中多尺度特征融合问题，提出基于特征差异和熵差异的门控方法，通过从两特征流差异导出注意力权重生成耦合门控映射，实验表明该方法优于现有方法，为特征融合提供新范式。

Comments 15 pages, 13 figures

RED-Sphere: Hyperspherical Residual Edge Debiasing for Cross-Population Fundus Disease Domain Generalization

RED-Sphere：用于跨人群眼底疾病领域泛化的超球面残差边缘去偏

Yan Lin, Ziheng Wang, Shuang Chen, Amir Atapour-Abarghouei, Stephen McGough

机构 * Newcastle University（纽卡斯尔大学） ； King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学） ； Durham University（杜伦大学） 纠错

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

AI总结 研究跨人群眼底疾病领域泛化问题，提出RED-Sphere框架，通过估计干扰响应、残差软门控、正则化损失及用球面原型预测标签来提升鲁棒性，在相关分类任务中取得更好效果，验证了该框架的有效性。

Comments 21 pages, 6 figures, 3 tables. Preprint

Pitfalls of Administrative Censoring in Survival Models with Time-Indexed Inputs

具有时间索引输入的生存模型中行政审查的陷阱

Yanqi Xu, Hui Dai, Carlos Fernandez-Granda, Krzysztof J. Geras, Yiqiu Shen

机构 * Center for Data Science, New York University（纽约大学数据科学中心） ； University of Chicago（芝加哥大学） ； NYU Grossman School of Medicine（纽约大学格罗斯曼医学院） ； Ataraxis AI（Ataraxis人工智能公司） 纠错

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

AI总结 研究生存模型中行政审查的陷阱，通过刻画行政截断泄漏发生的情况，将其与其他情况区分，提出检测方法，经模拟和真实队列验证，为生存预测提出数据集应提供足够潜在随访的设计原则。

Decoupling Language Guidance from Backbones for Text-Guided Medical Segmentation

用于文本引导医学分割的骨干网络与语言引导解耦

Yungeng Liu, Xuanzi Fang, Haijin Zeng, Qi Dai, Yongyong Chen

机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； NingBo No.2 Hospital（宁波第二医院） 纠错

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

AI总结 研究针对文本引导医学分割中模型组件紧密耦合问题，提出可转移骨干层次适配器框架BTHA，通过稳定特征级接口、分层监督策略和自适应门控语义引导适配器，有效提升分割效果且计算开销适度。

Automatic Echocardiography Segmentation via Transition Probability Correlation for Stable Semantic Extraction

基于过渡概率相关性的自动超声心动图分割用于稳定语义提取

Xinran Chen, Xiyuan Wang, Guangquan Zhou, Chuan Chen

机构 * School of Biological Science and Medical Engineering, Southeast University（东南大学生物科学与医学工程学院） 纠错

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

AI总结 针对超声心动图分割中因噪声等导致的问题，设计STLSF模块并结合频率感知去噪预训练方法，构建卷积网络，有效缓解纹理不稳定和语义模糊问题，在相关数据集上取得优异分割性能。

An Edge-aware Prompt-enhanced SAM for Ultrasound Image Segmentation

用于超声图像分割的边缘感知提示增强型 SAM

Wenhao Li, Fangyi Liu, Bo Du

机构 * Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University（航空信息安全与可信计算重点实验室，教育部，武汉大学计算机科学与工程学院） ； National Engineering Research Center for Multimedia Software, Institute of Artificial Intelligence, School of Computer Science and Hubei Key Laboratory of Multimedia and Network Communication Engineering, Wuhan University（多媒體軟體國家工程研究中心，人工智能研究院，武漢大學計算機科學學院，湖北省多媒體與網絡通信工程重點實驗室） 纠错

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

AI总结 针对超声图像分割中 SAM 边界描绘不佳问题，提出 EP-SAM，通过图像编码器多块特征提取和边缘感知监督，生成高质量提示引导模型，在多个基准测试中表现优于现有基于 SAM 的方法。

Comments Accepted to ICME2026

TRACE-Seg3D: Counterfactual Context Auditing For Robust 3D Glioma Segmentation Under Institutional Shift

TRACE-Seg3D：机构转移下用于稳健3D胶质瘤分割的反事实上下文审计

Nguyen Linh Dan Le, Nguyen Pham Hoang Le, Tran Dang Khoi

机构 * The University of Melbourne（墨尔本大学） ； University of Information Technology, Vietnam National University（越南国立大学信息技术大学） ； Industrial University of Ho Chi Minh City（胡志明市工业大学） 纠错

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

AI总结 研究针对医学图像分割模型对机构差异敏感问题，提出TRACE-Seg3D反事实上下文审计框架，通过保留病变证据、改变成像上下文评估预测稳定性，在胶质瘤分割基准实验中表现出色，揭示传统指标遗漏的问题，推动可靠3D医学图像分割。

Comments 16 pages, 5 figures

Seeing What Matters: Lesion-Aware High-Resolution Patch Discovery and Fusion for Chest X-ray Report Generation

看清关键所在：用于胸部X光报告生成的病灶感知高分辨率补丁发现与融合

Yingshu Li, Yunyi Liu, Zhenghao Chen, Tong Chen, Zailong Chen, Lingqiao Liu, Lei Wang, Luping Zhou

机构 * The University of Sydney（悉尼大学） ； The University of Newcastle（纽卡斯尔大学） ； University of Wollongong（卧龙岗大学） ； The University of Adelaide（阿德莱德大学） 纠错

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

AI总结 研究针对胸部X光报告生成中高分辨率感知难题，提出LePaX框架。该框架将高分辨率感知设为固定令牌预算下的空间分辨率分配问题，通过可学习空间分辨率分配和全局-区域融合两个组件，在不增令牌数时实现高分辨率CXR感知，提升了临床和语言指标。

OBBSeg: Irregular Lesion Segmentation under Oriented Bounding Box Annotations

OBBSeg：基于有向边界框标注的不规则病变分割

Jun Wei, Xinchang Liu, Yu Liu, Chuhua Yang, Shuhui Wang, Hui Huang

机构 * CSSE, Shenzhen University（深圳大学计算机科学与软件学院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

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

AI总结 针对医学图像分割像素级标注瓶颈，提出OBBSeg中间监督范式，由有向边界框引导，联合编码空间范围与方向，引入掩码到OBB损失减轻矩形偏差，通过PAFE和DBFE增强前景表示抑制背景干扰，实验表明其性能优异。

Comments 18 pages, 7 figures. ECCV 2026

RUFNet: Query-Guided Support Mask Refinement and Uncertainty Fusion based on Hybrid Mamba for Few-Shot Brain Tumor Segmentation

RUFNet：基于混合曼巴的查询引导支持掩码细化与不确定性融合用于少样本脑肿瘤分割

Dongyi He, Xiangkai Wang, Binbing Xu, Bin Jiang, Hongjie Yan, Weixiang Liu, Wai Ting Siok, Nizhuan Wang

机构 * Department of Language Science and Technology, The Hong Kong Polytechnic University（香港理工大学语言科学与技术系） ； School of Artificial Intelligence, Chongqing University of Technology（重庆理工大学人工智能学院） ； Affiliated Lianyungang Hospital of Xuzhou Medical University（徐州医科大学附属连云港医院） ； College of Mechatronics and Control Engineering, Shenzhen University（深圳大学机电与控制工程学院） 纠错

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

AI总结 研究针对少样本脑肿瘤分割挑战，提出基于混合曼巴的RUFNet框架，结合支持掩码细化与不确定性感知后融合，采用线性复杂度骨干等方法，在BraTS 2020数据集上表现出色。

UniSpine-GS: An Efficient Physics-Aware Gaussian Framework for Cross-Modality Multi-view Spine Image Synthesis

UniSpine-GS：一种用于跨模态多视图脊柱图像合成的高效物理感知高斯框架

Qiuhua Chen, Changning Yu, Na Huang, Chao Sun, Bo Du

机构 * School of Computer Science, Wuhan University（武汉大学计算机科学学院） ； The Department of Ultrasound of Renmin Hospital East Branch of Wuhan University（武汉大学人民医院东院区超声科） ； Institute of Artificial Intelligence, Wuhan University（武汉大学人工智能研究院） ； National Engineering Research Center for Multimedia Software, Wuhan University（武汉大学多媒体软件国家工程研究中心） ； Hubei Key Laboratory of Multimedia and Network Communication Engineering, Wuhan University（武汉大学多媒体网络通信工程湖北省重点实验室） 纠错

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

AI总结 为解决脊柱疾病诊断中3D成像成本高、模态差异挑战等问题，提出UniSpine-GS框架，通过3D感知表示用于多视图脊柱成像新视图投影渲染，引入策略提升边界保真度和局部细节，性能优于现有方法。

An automated method of identifying incorrectly labelled images based on the sequences of loss functions of deep learning networks

一种基于深度学习网络损失函数序列识别错误标注图像的自动化方法

Zhipeng Zhang, Wenhui Shou, Wengting Ma, Dongjia Xing, Qingqing Xu, Li-Qun Xu, Qingxia Fan, Ling Xu

机构 * China Mobile Research Institute（中国移动研究院） ； Shenyang He Eye Hospital（沈阳_he眼科医院） 纠错

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

AI总结 提出通过分析深度学习分类网络多轮训练损失函数序列来识别医学图像错误标注，经专家审核重标可提升数据集质量和模型性能，实验验证了该方法有效性。

Comments Presented at the 6th EAI International Conference on IoT as a Service (IoTaaS 2020). Published by Springer in LNICST, vol 346, 2021

Journal ref in IoT as a Service, 6th EAI Int. Conf. (IoTaaS 2020), LNICST 346, Springer, 2021, pp. 261-269

Causal-RetiGraph: Cross-Cohort Retinal Support and Same-Subject Pathway Analysis for Diabetic Retinopathy

因果关系视网膜图：糖尿病视网膜病变的跨队列视网膜支持和同一受试者通路分析

Inam Ullah, Imran Razzak, Shoaib Jameel

机构 * University of Southampton（索姆塞特大学） ； Mohamed bin Zayed University of Artificial Intelligence（莫阿兹·宾·扎伊德人工智能大学） 纠错

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

AI总结 介绍Causal-RetiGraph框架，通过视网膜图像折叠和NHANES折叠构建模型，连接视网膜图型与通路建模，用于视网膜支持和通路优先级排序等，揭示病变与生物标志物作用及关键通路信号。

Boosting Ultrasound Image Classification via Attribute-Guided Dual-Branch Framework

通过属性引导双分支框架提升超声图像分类

Bo Zhao, Yapeng Li, Juhua Liu, Bo Du

机构 * School of Computer Science, National Engineering Research Center for Multimedia Software, Institute of Artificial Intelligence, Hubei Key Laboratory of Multimedia and Network Communication Engineering, Wuhan University（武汉大学计算机学院、国家多媒体软件工程技术研究中心、人工智能研究院、湖北省多媒体与网络通信工程重点实验室） 纠错

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

AI总结 提出属性引导双分支框架，引入领域无关的医学属性先验，通过基线分支和属性引导分支的融合，提升超声图像分类的准确性和可解释性。

Comments accepted by MICCAI 2026

Prototype Memory-Guided Training-Free Anomaly Classification and Localization in Prenatal Ultrasound

原型记忆引导的无训练产前超声异常分类与定位

Huanwen Liang, Yuhao Huang, Xiliang Zhu, Yuanji Zhang, Xuedong Deng, Xinru Gao, Guowei Tao, Yuhan Zhang, Dong Ni

机构 * Medical Ultrasound Image Computing (MUSIC) Lab, Shenzhen University（深圳大学医学超声图像计算实验室） ； School of Biomedical Engineering, Medical School, Shenzhen University（深圳大学医学部生物医学工程学院） ； School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； School of Biomedical Engineering and Informatics, Nanjing Medical University（南京医科大学生物医学工程与信息学院） ； Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院人工智能与机器人创新中心） ； Shenzhen Luohu People’s Hospital (The Third Affiliated Hospital of Shenzhen University)（深圳市罗湖区人民医院（深圳大学第三附属医院）） ； Center for Medical Ultrasound, The Affiliated Suzhou Hospital of Nanjing Medical University, Suzhou Municipal Hospital, Nanjing Medical University（南京医科大学附属苏州医院（苏州市立医院）医学超声中心） ； Northwest Women’s and Children’s Hospital（西北妇女儿童医院） ； Qilu Hospital of Shandong University（山东大学齐鲁医院） 纠错

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

AI总结 提出一种无需训练的多类产前超声异常分类与定位框架，利用多粒度原型记忆库、原型驱动软合并和类别感知细化策略，在少量参考图像下实现高效检测。

Comments Accepted by MICCAI2026

Can Physician Expertise Improve Machine Learning Identification of Delirium?

医生专业知识能否改善机器学习对谵妄的识别？

Xinyu Qin, Vicky Ye, Ruiheng Yu, Lu Wang

机构 * University of Houston（休斯顿大学） ； University of Washington（华盛顿大学） 纠错

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

AI总结 提出用户中心交互式机器学习框架，结合医生指导的特征优化与可解释模型，利用多源数据，在谵妄检测中提升判别性能和时间鲁棒性。

Comments Accepted for presentation at the IEEE Engineering in Medicine and Biology Conference (EMBC) 2026

Mask to Concept: Auto-Promptable SAM3 via Efficient Test-Time Concept Embedding Search for Few-Shot Annotation

掩码到概念：通过高效测试时概念嵌入搜索实现自动可提示的SAM3用于少样本标注

Quan Zhou, Shaoqing Zhai, Qiang Hu, Jia Chen, Qiang Li, Zhiwei Wang

机构 * Wuhan University of Technology（武汉理工大学） ； Huazhong University of Science and Technology（华中科技大学） ； Changzhou United lmaging Healthcare Surgical Technology Co. Ltd.（常州联影医疗手术技术有限公司） 纠错

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

AI总结 提出Mask to Concept (M2C)框架，无需外部模块或重训练，仅用少量标注图像，通过可学习概念嵌入搜索和混合不确定性估计，实现SAM3在医学图像中的自动少样本标注，达到SOTA性能。

Comments Accepted by MICCAI 2026

Noise-Aware Boundary-Enhanced Generative Learning for Ultrasound Speckle Reduction

噪声感知边界增强的超声散斑减少生成学习

Yuexi Gu, Mengqi Wu, Yongheng Sun, Virginie Papadopoulou, Mingxia Liu, Maureen Kohi

机构 * Department of Radiology and Biomedical Research Imaging Center (BRIC), University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校放射学系与生物医学研究中心） ； Lampe Joint Department of Biomedical Engineering, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校兰普生物医学工程联合系） 纠错

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

AI总结 提出噪声感知边界增强生成学习框架，通过散斑减少与边界增强分支及噪声自适应权重模块，在保留解剖边界的同时适应不同噪声水平，在141个3D超声数据上优于现有方法。

C2RM-Seg: Causal Counterfactual Reasoning with Structural-Semantic Priors for Weakly Supervised Histopathological Tissue Segmentation

C2RM-Seg: 基于结构语义先验的因果反事实推理用于弱监督组织病理学组织分割

Hualong Zhang, Siyang Feng, Zihan Huan, Yi Qian, Zhenbing Liu, Rushi Lan, Xipeng Pan

机构 * Guangxi Key Laboratory of Image and Graphic Intelligent Processing, Guilin University of Electronic Technology（广西图像图形智能处理重点实验室，桂林电子科技大学） ； International Joint Research Laboratory of Spatio-temporal Information and Intelligent Location Services, Guilin University of Electronic Technology（时空信息与智能定位服务国际联合研究实验室，桂林电子科技大学） ； School of Computer Science and Information Security, Guilin University of Electronic Technology（桂林电子科技大学计算机与信息安全学院） 纠错

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

AI总结 提出C2RM-Seg框架，通过因果反事实推理模块生成形态对齐的CAM，结合双路径结构语义架构和不确定性门控边缘损失，解决弱监督组织分割中伪标签噪声问题，在公共数据集上达到最优性能。

Comments 11 pages, 3 figures. Code is available at https://github.com/OceanPetal/C2AM-Seg

S1-Omni-Image: A Unified Model for Scientific Image Understanding, Generation, and Editing

S1-Omni-Image：面向科学图像理解、生成与编辑的统一模型

Qingxiao Li, Zikai Wang, Qingli Wang, Nan Xu

机构 * XScience Lab（XScience实验室） ； Wenge AI（文阁人工智能） 纠错

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

AI总结 提出S1-Omni-Image，基于S1-VL-32B和“先思考后生成”范式，统一实现科学图像的理解、生成与编辑，在多个基准上达到领先性能。

Comments 32 pages, 15 figures

Evaluating self-supervised echocardiographic representations across downstream extraction strategies for left-ventricular segmentation and ejection fraction estimation

评估自监督超声心动图表示在不同下游提取策略下用于左心室分割和射血分数估计的表现

Sylwia Majchrowska, Philip Teare

机构 * organization= Centre for AI, Data Science \& AI, BioPharma R\&D, AstraZeneca , addressline= Biomedical Campus, 1 Francis Crick Ave, Trumpington , city= Cambridge , postcode= CB2 0AA , country= UK 纠错

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

AI总结 本研究系统评估了自监督表示在左心室分割和射血分数估计中的表现，发现下游提取策略（如启发式提取、冻结线性探针、冻结轻量解码器、部分微调）显著影响结论，提出多策略评估是密集医学图像分析中SSL的重要方法论考虑。

$μ$Match: Foundation Models for Semi-supervised Learning and Domain Adaptation in EM

$\mu$Match：电子显微镜中半监督学习和领域适应的基础模型

Marei Freitag, Olesia Korchevaia, Luca Freckmann, Anwai Archit, Constantin Pape

机构 * Life and Medical Sciences Institute (LIMES), University of Bonn, Germany（波恩大学生命与医学科学研究所（LIMES）） ； Institute of Computer Science, Georg-August-University Göttingen, Germany（哥廷根大学计算机科学研究所） 纠错

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

AI总结 提出μMatch框架，利用基础模型（SAM、SAM2、μSAM、DINOv2/v3）和师生方法，在电子显微镜分割任务（线粒体、细胞核、神经突）中实现半监督学习和领域适应，显著减少标注需求。

One Size does not Fit All: Heterogeneous Latent Space Alignment for Unsupervised Domain Adaptation

一种尺寸并不适合所有情况：无监督域适应的异构潜在空间对齐

Evangelia Koskinioti, Yi Shen, Georgios Stamou, Michael M. Zavlanos

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

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

AI总结 提出ADualVUOT框架，结合双编码器VAE与连续归一化流增强潜在表达，利用非平衡最优传输（GGW距离）对齐域，并引入对抗增强提升鲁棒性，在医学图像分割中优于现有方法。