10:21arXiv cs.LG@Yuming Chen, Yuxin Xie, Tao Zhou, Yi Zhou提出CERS框架,将链式思维推理集成到半监督医学图像分割中,解决视觉-语义不匹配问题。利用大语言模型生成语言推理描述构建知识池,并设计语义感知参考选择策略,通过形态过滤和CoT一致性消除硬负样本。引入多尺度坐标注意力模块融合推理上下文,在多个基准上优于现有方法,尤其改善边界模糊和语义不一致。论文CERSChain-of-Thought医学图像分割半监督学习大语言模型推荐理由:这篇论文用CoT推理帮医学图像分割识别病理不同的病变,比只看像素的旧方法靠谱得多,尤其是处理边界模糊的情况。原文
09:41arXiv cs.AI@Sicheng Yang, Hongqiu Wang, Zhaohu Xing, Sixiang Chen, Qiuxia Yang, Yize Mao, Guang Yang, Lei ZhuSegDINO提出一种高效分割框架,基于DINOv3骨干网络,通过Token Pyramid Adaptation(TPA)将中间DINO特征重组为伪多尺度层次,并引入Scale-Aware Decoding(SAD)进行高效尺度内优化和自顶向下多尺度传播。作者还构建了PanCT数据集,包含284例患者专家标注的胰腺肿瘤CT图像,用于评估对小病灶的处理能力。在PanCT和三个公开基准上,SegDINO以更高效率达到SOTA结果。代码已开源。AI模型SegDINODINOv3医学图像分割多尺度特征推荐理由:医学图像分割不用再堆复杂解码器了,直接看SegDINO怎么用DINO特征加轻量多尺度建模做到又快又准。原文
15:48marktechpost@Sana Hassan本文基于 MONAI 框架,构建了完整的 3D 医学图像分割流程,使用 Medical Segmentation Decathlon 的脾脏数据集。流程包括 CT 体素方向对齐、间距归一化、强度窗宽、前景裁剪和补丁采样等医学影像专用预处理,然后训练 3D UNet 模型。该教程提供了可复现的代码实现,适合医学影像 AI 开发者快速上手。AI模型MONAI3D UNet医学图像分割CT 体素端到端流程推荐理由:医学影像分割的端到端流程往往繁琐,MONAI 这套实现把预处理到训练串起来了,做 CT 分割的团队可以直接复用代码,省去踩坑时间。原文