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
10:05arXiv cs.AI@Tonghao Zhuang, Shanglong Hu, Yongsheng Luo, Zhiqi Zhang, Yu Li精选该研究提出了一种半监督框架,用于胎儿心脏超声图像的联合分割与分类。方法基于EchoCare多任务骨干网络,集成SAM-Med2D进行边界细化,并利用DINOv3提升伪标签质量。引入视图特定硬掩码和两阶段优化策略:EMA阶段巩固分割能力,分类微调阶段冻结分割参数并重置分类头,以恢复分类性能而不损害分割效果。在FETUS 2026排行榜上,该方法达到79.99%的Dice系数、61.62%的归一化表面距离和41.20%的F1分数,验证了其在产前先天性心脏病筛查中的有效性。代码已开源。论文半监督学习医学影像胎儿心脏超声SAM-Med2DDINOv3推荐理由:这项研究解决了胎儿心脏超声分析中标注数据稀缺的痛点,做医学影像AI的团队可以直接参考其半监督框架和开源代码,值得关注。原文