医学图像分割相关 AI 资讯

8月21日

10:36

官方账号arXiv cs.AI@Mosharof Hossain, Md Rabiul Islam, Limon Halder, Erchin Serpedin, Md Kamrul Hasan

针对解剖学无关分割的挑战，提出Prompt-Conditioned Channel Attention (PCCA)机制，实现语义提示在编码器-解码器网络中的深度集成。PROMISE-Net在多个基准测试中实现显著提升，成为可扩展、通用的框架。

推荐理由：PROMISE-Net在多个医学图像分割基准测试中显著提升性能，值得研究。

原文

8月13日

18:01

官方账号arXiv cs.AI@Rafi Ibn Sultan, Chengyin Li, Yiannos Demetriou, Ahmed I. Ghanem, Joshua P. Kim, Justine Cunningham, Hassan Bagher-Ebadian, Dongxiao Zhu, Kundan S. Thind

NA-UNETR是一种基于Transformer的3D分割模型，专门用于自由呼吸非增强CT中左前降支（LAD）动脉的精细分割。该模型在1000个CTA体积上预训练，并通过LoRA在20个CT扫描上微调，使用Dice-Focal与Hausdorff组合损失，经同方差不确定性动态平衡。在内部数据集上，NA-UNETR达到45.64% Dice、38.16 mm HD95和10.01 mm ASD，Dice较nnU-Net提升3.10个百分点，HD95较Swin UNETR降低2.96 mm。在ImageCAS上获得79.49% Dice、8.89 mm HD95和1.02 mm ASD。消融实验证实残差块、可变卷积核和不确定性加权损失均有效。

论文 NA-UNETR LAD分割医学图像分割

推荐理由：放疗圈看过来，这个模型把左前降支动脉分割做得更准，比nnU-Net和Swin UNETR都强，还用了LoRA省显存，值得试试。

原文

8月11日

11:36

官方账号arXiv cs.AI@Haoyu Yang, Meixing Shi, Zengjie Chen, Haoran Sun, Haitao Leng, Xiaoming Shi, Yuxiang Cai, Yankai Jiang

MedPixel是一个统一的医学像素-语言模型，通过共享的语言-掩码接口连接临床语言、视觉推理与像素级定位。研究团队构建了MedPLG-440K数据集，包含约44万个像素-语言任务样本，通过临床驱动的合成流程生成，无需外部LLM标注。模型采用联合多任务监督微调和像素级偏好优化训练，后者利用真实掩码作为离线验证器，从掩码质量推导响应偏好。MedPixel支持显式定位、隐式推理、空间交互、可解释分割和医学VQA等任务，在像素级预测和响应生成上均表现强劲，并具备对零样本外部基准和模糊空间提示的鲁棒性。

论文 MedPixel 医学图像分割视觉语言模型

推荐理由：医学图像分割和语言模型终于打通了，MedPixel一个模型搞定定位加问答，还自带44万样本的数据集，搞医学AI的值得看看。

原文

7月3日

09:33

官方账号arXiv cs.AI@Mohammad Amanour Rahman

RadiomicNet是一种两流混合架构，在MobileNetV2编码器-解码器中集成手工GLCM和LBP放射组学特征。其Radiomics Attention Gate (RAG)通过这些特征调制跳跃连接注意力，实现前置可解释性。新提出的Radiomics Consistency Loss将期望校准误差(ECE)从0.142降至0.118。在BUSI数据集上Dice系数达0.763，Kvasir-SEG上达0.854，分别超越U-KAN 1.2%和1.8%（p<0.05）。模型仅3.27M参数，比标准U-Net少9.5倍，比U-KAN少4.3倍，GLCM差异(15.24%)、GLCM能量(14.56%)和LBP熵(11.49%)是主导解释特征。

论文 RadiomicNet 医学图像分割放射组学

推荐理由：医学图像分割新论文，RadiomicNet用放射组学特征让模型更可解释，参数少但性能超过U-KAN，值得看看。

原文

6月17日

10:21

官方账号arXiv 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 CERS Chain-of-Thought 医学图像分割

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

09:41

官方账号arXiv cs.AI@Sicheng Yang, Hongqiu Wang, Zhaohu Xing, Sixiang Chen, Qiuxia Yang, Yize Mao, Guang Yang, Lei Zhu

SegDINO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 SegDINO DINOv3 医学图像分割

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

6月12日

15:48

官方一手marktechpost@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 MONAI 3D UNet 医学图像分割

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