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。
SegDINO: 将多尺度结构引入DINO以实现高效医学图像分割
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Sun Yat-sen University Cancer Center（中山大学肿瘤防治中心） ； Imperial College London（帝国理工学院）
专题命中 医学影像 ：medical image(title)；CT(abstract,abstract_cn)；分类 cs.CV
AI总结 提出SegDINO框架，通过令牌金字塔适应和尺度感知解码将多尺度结构引入DINO，在保持高效的同时实现医学图像分割的最优性能。
Comments Code: https://github.com/script-Yang/segdino_v2
Slop悖论：合成标准化如何侵蚀AI重写放射学报告中的临床不确定性和跨模态对齐
机构 * School of Computing and Engineering Sciences, University of Chester（切斯特大学计算与工程科学学院）
专题命中 医学影像 ：radiology(title,abstract)；medical AI(abstract)；分类 cs.CV
AI总结 本研究通过控制实验测量AI重写放射学报告导致的信息退化，发现电子健康记录摘要虽破坏内容但保留图像-文本对齐，而标准化重写和教学病例准备则相反，造成更大对齐损失，称为slop悖论。
医学图像分析中的因果迁移
机构 * University of Waterloo（滑铁卢大学）
专题命中 医学影像 ：medical image(title,abstract)；clinical AI(abstract)；分类 cs.CV
AI总结 本文探讨了医学图像分析中因果迁移方法，整合因果推理与跨域表示学习，以解决领域偏移问题，提升临床AI的鲁棒性和泛化能力。
SegMoTE: 用于医学图像分割的令牌级混合专家模型
机构 * Sichuan University（四川大学） ； Xinjiang University（新疆大学） ； Fuzhou University（福州大学） ； Alibaba DAMO Academy（阿里巴巴 DAMO 院）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 提出SegMoTE框架，通过令牌级混合专家机制和渐进式提示令牌化，在极低标注成本下实现医学图像分割的跨模态自适应与SOTA性能。
SC-MFJ: 一种用于医学图像分割的简单触觉质量度量
机构 * Jade University of Applied Sciences（亚德应用科学大学）
专题命中 医学影像 ：medical image(title)；CT(abstract,abstract_cn)；分类 cs.CV
AI总结 针对手术模拟中触觉渲染对分割表面质量的需求，提出SC-MFJ度量，通过虚拟触笔行走测量接触力抖动，揭示了几何度量无法发现的触觉质量差异。
Comments 11 pages, 5 figures, 5 tables, http://www.wscg.eu/
Med-Banana：从成功与失败轨迹中学习质量可控的医学图像编辑
机构 * National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Harbin Institute of Technology（哈尔滨工业大学）
专题命中 医学影像 ：medical image(title,abstract)；pathology(abstract)；分类 cs.CV
AI总结 提出Med-Banana框架，通过收集成功与失败编辑轨迹数据集Med-Banana-80K，联合训练编辑器、验证器和优化器，实现质量可控的医学图像编辑。
RL-ACRGNet：基于强化学习的胸部放射学报告生成网络
机构 * Human-AI Interaction (HAIx) Lab, Indian Institute of Technology Gandhinagar（人类-人工智能交互实验室，印度理工学院冈丁加尔） ； Department of Computer Science and Engineering, Madhav Institute of Technology and Science Deemed University (MITS-DU)（计算机科学与工程系，马达夫技术与科学 deemed 大学（MITS-DU）） ； Multimedia and Information Security Research Group, Department of Computer Science and Engineering, ABV-Indian Institute of Information Technology and Management（多媒体与信息安全研究组，计算机科学与工程系，ABV-印度信息科技与管理学院）
专题命中 医学影像 ：radiology(title,abstract)；medical AI(abstract)；分类 cs.LG
AI总结 提出RL-ACRGNet，一种结合预训练DenseNet编码器与多级LSTM解码器的离策略强化学习框架，通过度量奖励机制优化视觉语义嵌入，在IU-Xray和MIMIC-CXR数据集上超越基线，生成高质量临床报告。
Comments This work has been submitted to the IEEE for possible publication
利用术前计算机断层扫描自动预测术后胰瘘
机构 * Department of Surgery, Mayo Clinic, Rochester, MN, USA（梅奥诊所外科部，罗切斯特，明尼苏达州，美国） ； Department of Surgery, University of Auckland, Auckland, NZ（奥克兰大学外科部，奥克兰，新西兰） ； Kern Center for the Science of Health Care Delivery, Mayo Clinic, Rochester, MN, USA（健康照护科学中心，梅奥诊所，罗切斯特，明尼苏达州，美国） ； Department of Artificial Intelligence（人工智能部）
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、cs.LG、q-bio
AI总结 提出一种从胰腺分割到分类的端到端深度学习流程，利用术前CT扫描自动预测术后胰瘘风险，为临床决策提供工具和方法基准。
基于多模态知识图谱和可靠性引导精化的病例感知医学图像分类
机构 * University of Science and Technology of China（科学技术大学）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 提出一种基于多模态知识图谱的病例感知推理框架，通过构建结构化诊断记忆、自适应检索相似病例、知识传播与注入机制以及置信度校准的决策精化方案，提升医学图像分类的性能和可解释性。
RadJEPA：基于联合嵌入预测架构的胸部X光放射学编码器
机构 * Department of Computer Science and Engineering, Indian Institute of Technology Bombay（印度理工学院孟买分校计算机科学与工程系） ； Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Koita Centre for Digital Health, Indian Institute of Technology Bombay（印度理工学院孟买分校Koita数字健康中心）
专题命中 医学影像 ：radiology(title,abstract)；medical image(abstract)；分类 cs.CV
AI总结 提出RadJEPA，一种无需语言监督的自监督框架，通过联合嵌入预测架构在约84万张无标签胸部X光图像上预训练，学习预测掩码区域的潜在表示，在放射学报告生成等任务中达到或超越现有基线。
Radiuma: 一个统一的无代码可执行图形工作流生成器，用于可重复和可共享的医学图像分析与机器学习
机构 * Department of Basic and Translational Research, BC Cancer Research Institute（基础与转化研究部，BC癌症研究中心） ； Department of Radiology, University of British Columbia（放射科，不列颠哥伦比亚大学） ； Technological Virtual Collaboration (TECVICO Corp.)（技术虚拟协作（TECVICO公司）） ； Department of Computer Science, University of British Columbia（计算机科学系，不列颠哥伦比亚大学） ； Department of Cardiology, Inselspital, Bern University Hospital, University of Bern（心脏病学部，Inselspital，伯恩大学医院，伯恩大学） ； Department of Digital Medicine, University of Bern（数字医学系，伯恩大学） ； Departments of Physics & Biomedical Engineering, University of British Columbia（物理学与生物医学工程系，不列颠哥伦比亚大学）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 提出Radiuma模块化平台，通过可视化工作流系统集成图像处理、放射组学特征提取和机器学习模块，实现无需编程即可构建可重复的多步分析流程。
SAM3是否准备好进行病理分割？
机构 * Sapienza University of Rome（罗马萨皮恩扎大学） ； University of Verona（威尼斯大学） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
专题命中 医学影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文评估了SAM3在病理图像分割中的能力，发现文本提示效果有限，视觉提示类型和预算对性能影响显著，少样本学习有提升但鲁棒性不足，且提示基于方法与任务训练适配方法之间存在显著差距。
Comments accept to icip2026
TwinTrack: 医学图像分割的后验多评分者校准
机构 * ICube Laboratory, CNRS UMR-7357, University of Strasbourg（ICube实验室，CNRS UMR-7357，斯特拉斯堡大学） ； CLCC Institut Strauss（CLCC斯特拉斯堡研究所） ； German Cancer Research Center (DKFZ) Heidelberg, Division of Medical Image Computing（海德堡德国癌症研究中心（DKFZ），医学图像计算部门） ； Pattern Analysis and Learning Group, Department of Radiation Oncology, Heidelberg University Hospital（放射肿瘤科，海德堡大学医院模式分析与学习小组） ； Medical Faculty Heidelberg, Heidelberg University（海德堡医学系，海德堡大学）
专题命中 医学影像 ：medical image(title)；CT(abstract,abstract_cn)；分类 cs.LG
AI总结 针对医学图像分割中多评分者不确定性建模问题，TwinTrack通过后验校准方法将集成分割概率校准到经验人类响应（MHR），提高概率校准和可解释性。
Comments Accepted for publication at MIDL 2026
Rad-VLSM：一种结合语义辅助提示的跨模态框架用于医学分割与诊断
机构 * Student Member, IEEE（IEEE学生会员） ； Member, IEEE（IEEE会员）
专题命中 医学影像 ：diagnosis(title,abstract)；medical image(abstract)；分类 cs.CV
AI总结 本文提出Rad-VLSM框架，通过语义引导的提示机制，提升医学图像分割与诊断的准确性，解决现有模型易受背景组织和无关视觉相关性干扰的问题。
RadGame：一种基于人工智能的放射学教育平台
机构 * Harvard Medical School（哈佛医学院） ； Mass General Brigham（麻省总医院） ； Maastricht University（马斯特里赫特大学） ； Department of Medical Imaging, King Abdulaziz Medical City, Ministry of National Guard, Riyadh, Saudi Arabia（国王阿卜杜勒-阿齐兹医疗城医学影像科，沙特阿拉伯） ； National Strategic Technology Research Institute, Seoul National University Hospital（全国战略技术研究所，首尔国立大学医院） ； Saint Louis University School of Medicine（圣路易斯大学医学院） ； College of Medicine, King Saud bin Abdulaziz University for Health Sciences（国王萨勒曼·本·阿卜杜勒阿齐兹大学医学院） ； Tufts University School of Medicine（塔夫茨大学医学院） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系）
专题命中 医学影像 ：radiology(title,abstract)；medical AI(abstract)；分类 cs.CV
AI总结 RadGame通过结合游戏化与大规模公开数据集，提供AI驱动的反馈，提升放射学教育中的定位和报告撰写能力，显著提高学习效果。
Comments ML4H Version
通过查询驱动专家桥梁适应基础视觉-语言模型用于医学诊断
机构 * Lab for AI in Medical Imaging, Technical University of Munich (TUM)（医学影像人工智能实验室，慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
专题命中 医学影像 ：diagnosis(title,abstract)；medical image(abstract)；分类 cs.CV
AI总结 本文提出MedBridge框架，通过结合领域对齐、分辨率保持和多标签推理的互补VLM专家，解决医学影像诊断中的领域差距问题，实现跨领域泛化和领域内特化，提升多标签胸腔疾病诊断性能。
FEFormer：频率增强的视觉变换器用于通用知识提取和自适应特征融合的体数据医学图像分割
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 eess.IV
AI总结 FEFormer通过引入频率增强模块，提升体数据医学图像分割的精度与效率，解决传统方法在局部细节和全局依赖捕捉上的不足。
Comments 20 pages, 8 figures, 9 tables
基于SAM的频率适应器用于通用医学图像分割
机构 * Sungkyunkwan University, Korea（成均馆大学，韩国）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出FSAM框架，结合LoRA和频率适配器提升医学图像分割的域泛化能力，通过提取域不变高频特征缓解频率相关域偏移。
Comments Under review, 10 pages, 1 figure, 2 tables
焦点调制与双向特征融合网络用于医学图像分割
机构 * Department of Computing, Abasyn University Islamabad Campus (AUIC)（阿巴斯扬大学伊斯兰堡校区计算机系） ； School of Computer Science and Informatics, De Montfort University（德蒙福特大学计算机科学与信息学学院） ； Naif Arab University for Security Sciences（纳夫阿拉伯安全科学大学） ； School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院） ； Center of Excellence in Precision Medicine and Digital Health, Chulalongkorn University（朱拉隆功大学精准医学与数字健康卓越中心） ； School of Biomedical Engineering, UNSW Sydney（新南威尔士大学悉尼分校生物医学工程学院）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出FM-BFF-Net，结合卷积与Transformer，通过焦点调制注意力机制和双向特征融合模块提升医学图像分割的边界精度与鲁棒性，实验表明其在多项指标上优于现有方法。
风险感知的鲁棒学习：在医疗图像分类中减少临床风险下的标签噪声
机构 * Visual Computing Lab, Departamento de Computação, Universidade Federal Rural de Pernambuco (UFRPE), Brasil（视觉计算实验室，计算机系，佩鲁巴科州联邦大学（UFRPE），巴西）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文研究了在标签噪声下，现有鲁棒学习方法是否能保持临床安全，通过引入成本敏感的全局风险公式，发现结合成本敏感优化可显著降低临床风险。
Comments Accepted at SBCAS'26
层次化空间-通道聚类用于医疗图像分析中的高效模型压缩
机构 * Department of Mathematics, Rhodes University（罗德斯大学数学系） ； Department of Statistics, Rhodes University（罗德斯大学统计系） ； National Institute for Theoretical and Computational Sciences（国家理论与计算科学研究所） ； College of Health Solutions, Arizona State University（亚利桑那州立大学健康解决方案学院） ； Department of Statistics, College of Natural and Computational Sciences, Addis Ababa University（亚的斯亚贝巴大学自然与计算科学学院统计系） ； Department of Statistics, University of Pretoria（比勒陀利亚大学统计系） ； Université Clermont Auvergne, Clermont Auvergne INP, CNRS, Institut Pascal（克莱蒙特-奥弗涅大学，克莱蒙特-奥弗涅INP，CNRS，帕西尔研究所） ； Laboratoire MIA, La Rochelle Université（拉罗谢尔大学MIA实验室）
专题命中 医学影像 ：medical image(title)；MRI(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出层次化空间-通道低秩压缩框架，通过空间区域和通道激活的冗余利用，提升CNN在医疗图像分析中的压缩效率与性能。
PanGuide3D：通过概率胰腺条件和一个Transformer瓶颈实现队列鲁棒的胰腺肿瘤分割
机构 * Trailridge School（Trailridge学校） ； Department of Biochemistry, Grand View University（生物化学系，Grand View大学） ； Department of Computer Science, Iowa State University（计算机科学系，Iowa State大学）
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、cs.LG、q-bio
AI总结 本文提出PanGuide3D，通过概率胰腺条件和Transformer瓶颈提升跨队列鲁棒性，实现高效且实用的3D CT肿瘤分割，尤其在小肿瘤和复杂解剖位置表现优异。
SegMix：基于洗牌的反馈学习用于病理图像的语义分割
机构 * JD AI Research（京东人工智能研究院） ； School of Microelectronics, Xi’an Jiaotong University（西安交通大学微电子学院） ； Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University（北京生物医学工程先进创新中心，北京航空航天大学生物科学与医学工程学院）
专题命中 医学影像 ：pathology(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出SegMix，一种基于洗牌的反馈学习方法，利用课程学习思想生成高质量伪分割掩码，提升病理图像语义分割性能。
基于补丁的3D医学图像分割的高效KernelSHAP解释
机构 * Department of Biomedical Sciences, Humanitas University（生物医学科学系，人道大学） ； Radiotherapy and Radiosurgery Department, IRCCS Humanitas Research Hospital（放射治疗与放射外科系，IRCCS人道研究医院）
专题命中 医学影像 ：medical image(title,abstract)；CT(abstract)；分类 cs.CV
AI总结 本文提出一种高效的KernelSHAP框架，用于体积CT分割，通过限制计算到用户定义的兴趣区域及其感受野支持，利用补丁logit缓存加速推理，并比较了三种特征抽象方法以获得临床有意义的解释。
PrefPaint：通过专家人类反馈增强医学图像修复
机构 * University of Science（科学大学） ； Vietnam National University（越南国立大学） ； Thong Nhat Hospital（统一医院） ； University of Cincinnati（辛辛那提大学） ； University of Dayton（代顿大学）
专题命中 医学影像 ：medical image(title)；clinical AI(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出PrefPaint系统，结合专家反馈提升医学图像修复的准确性，通过简化界面和模型树版本控制，提高临床应用中的实用性与效果。
将2D多模态大语言模型适应于3DCT图像分析
机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子及计算机工程学系） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程学系） ； Institute of Medical Intelligence and XR, The Chinese University of Hong Kong（香港中文大学医学智能与扩展现实研究所） ； Center for Artificial Intelligence and Robotics, Hong Kong Institute of Science and 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）
专题命中 医学影像 ：CT(title)；medical image(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出将2D多模态大语言模型适应于3DCT图像分析，设计Text-Guided Hierarchical MoE框架，采用两阶段训练策略提升医学报告生成和视觉问答任务性能。
SwinTextUNet：将基于CLIP的文本引导整合到Swin Transformer U-Nets中用于医学图像分割
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出SwinTextUNet，结合CLIP文本嵌入与Swin Transformer U-Net，提升医学图像分割的鲁棒性和准确性，在QaTaCOV19数据集上取得86.47%的Dice和78.2%的IoU成绩。
基于MRI的脑肿瘤检测：通过可解释的EfficientNetV2和MLP-Mixer-Attention架构
机构 * Kırıkkale University（克勒克卡莱大学） ； Selçuk University（塞尔丘克大学）
专题命中 医学影像 ：MRI(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出一种结合EfficientNetV2和MLP-Mixer-Attention的可解释深度学习模型，用于高精度脑肿瘤分类，通过五折交叉验证达到99.50%的准确率，提升临床可靠性。
Journal ref Physical and Engineering Sciences in Medicine, 2026
基于视觉-语言模型的深度展开实现个性化快速MRI
专题命中 医学影像 ：MRI(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出PASS框架，利用视觉-语言模型指导深度展开网络，实现任务导向的快速成像，通过动态个性化成像流程提升MRI图像质量及诊断性能。
多模态脑MRI的模态感知与解剖矢量量化自编码
机构 * Stanford University（斯坦福大学）
专题命中 医学影像 ：MRI(title,abstract)；medical image(abstract)；分类 cs.CV
AI总结 本文提出NeuroQuant，一种基于模态感知和解剖学的3D矢量量化自编码器，用于多模态脑MRI重建，通过共享潜在表示和双流编码提升重建精度。
Comments CVPR Fingdings track
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