医学与健康

461 条内容

arXiv 2026年9月26日
作者提出 Detail Consistent Distillation（DCD）：在训练时对教师与学生的每个编码器阶段特征做 3D 离散小波分解，只对方向性细节子带 D（排除低频近似带 A 与最易含噪的极高频带 S）经逆小波重建后在空间域做 MSE 对齐，在 BraTS 2024 与 ISLES 2022 上把通道压缩 4 倍的学生模型 mDice 分别从 63.60% 提升到 68.51%、从 70.21% 提升到 73.95%，且不增加推理开销。
作者提出 Detail Consistent Distillation（DCD）：在训练时对教师与学生的每个编码器阶段特征做 3D 离散小波分解，只对方向性细节子带 D（排除低频近似带 A 与最易含噪的极高频带 S）经逆小波重建后在空间域做 MSE 对齐，在 BraTS 2024 与 ISLES 2022 上把通道压缩 4 倍的学生模型 mDice 分别从 63.60% 提升到 68.51%、从 70.21% 提升到 73.95%，且不增加推理开销。
DCD 在 BraTS 2024 与 ISLES 2022 上把压缩 3D MRI 分割学生模型的 mDice 从 63.60% 提升到 68.51%，参数量从 101.9M 降到 6.4M
作者提出 Detail Consistent Distillation（DCD）：在训练时对教师与学生的每个编码器阶段特征做 3D 离散小波分解，只对方向性细节子带 D（排除低频近似带 A 与最易含噪的极高频带 S）经逆小波重建后在空间域做 MSE 对齐，在 BraTS 2024 与 ISLES 2022 上把通道压缩 4 倍的学生模型 mDice 分别从 63.60% 提升到 68.51%、从 70.21% 提升到 73.95%，且不增加推理开销。
作者提出 Detail Consistent Distillation（DCD）：在训练时对教师与学生的每个编码器阶段特征做 3D 离散小波分解，只对方向性细节子带 D（排除低频近似带 A 与最易含噪的极高频带 S）经逆小波重建后在空间域做 MSE 对齐，在 BraTS 2024 与 ISLES 2022 上把通道压缩 4 倍的学生模型 mDice 分别从 63.60% 提升到 68.51%、从 70.21% 提升到 73.95%，且不增加推理开销。
发表出处待核验 2026年9月26日
该研究以直接LDL-C为参考标准，在10 799份All of Us血脂面板上按70、100、130 mg/dL三个临床阈值把三种LDL-C估算公式（Friedewald、Sampson/NIH、Martin-Hopkins）分为“一致”与“不一致”两类，发现一致时（占86%-92%）准确率为92%-96%，不一致时（占8%-14%）降至48%-61%；随后提出一个可解释的“状态感知”校准模型，其平均绝对误差为8.98 mg/dL，与最佳机器学习集成（9.01 mg/dL，差值95% CI -0.35至0.29 mg/dL）相当，在14 549份MIMIC-IV外部面板中于跨阈值面板上比各阈值最佳单一公式高3.5
该研究以直接LDL-C为参考标准，在10 799份All of Us血脂面板上按70、100、130 mg/dL三个临床阈值把三种LDL-C估算公式（Friedewald、Sampson/NIH、Martin-Hopkins）分为“一致”与“不一致”两类，发现一致时（占86%-92%）准确率为92%-96%，不一致时（占8%-14%）降至48%-61%；随后提出一个可解释的“状态感知”校准模型，其平均绝对误差为8.98 mg/dL，与最佳机器学习集成（9.01 mg/dL，差值95% CI -0.35至0.29 mg/dL）相当，在14 549份MIMIC-IV外部面板中于跨阈值面板上比各阈值最佳单一公式高3.5
三种LDL-C估算公式在阈值处不一致时准确率降至48%-61%，一个可解释校准模型把分类准确率提高19-25个百分点
该研究以直接LDL-C为参考标准，在10 799份All of Us血脂面板上按70、100、130 mg/dL三个临床阈值把三种LDL-C估算公式（Friedewald、Sampson/NIH、Martin-Hopkins）分为“一致”与“不一致”两类，发现一致时（占86%-92%）准确率为92%-96%，不一致时（占8%-14%）降至48%-61%；随后提出一个可解释的“状态感知”校准模型，其平均绝对误差为8.98 mg/dL，与最佳机器学习集成（9.01 mg/dL，差值95% CI -0.35至0.29 mg/dL）相当，在14 549份MIMIC-IV外部面板中于跨阈值面板上比各阈值最佳单一公式高3.5
该研究以直接LDL-C为参考标准，在10 799份All of Us血脂面板上按70、100、130 mg/dL三个临床阈值把三种LDL-C估算公式（Friedewald、Sampson/NIH、Martin-Hopkins）分为“一致”与“不一致”两类，发现一致时（占86%-92%）准确率为92%-96%，不一致时（占8%-14%）降至48%-61%；随后提出一个可解释的“状态感知”校准模型，其平均绝对误差为8.98 mg/dL，与最佳机器学习集成（9.01 mg/dL，差值95% CI -0.35至0.29 mg/dL）相当，在14 549份MIMIC-IV外部面板中于跨阈值面板上比各阈值最佳单一公式高3.5
Mendeley Data 2026年9月26日
该研究用九相机体积成像、Social-Seq 行为音节解析与 GRAB-DA3m 光纤记录，在 PND 35-85 的野生型与 Shank3+/- 大鼠同性别配对互动中刻画伏隔核多巴胺动态，发现野生型雄性在扑击、压制等主动玩耍时出现多巴胺升高而被迫屈服时被抑制，野生型雌性在躲避与直立时升高而非高接触玩耍，Shank3 突变体在嗅探与追逐时反应减弱、在扑击时出现符号反转，并以经验多巴胺幅度参数化的多智能体强化学习模型复现突变表型，同时用闭环光遗传刺激 VTA-NAc 证明多巴胺对目标玩耍具有因果充分性。
该研究用九相机体积成像、Social-Seq 行为音节解析与 GRAB-DA3m 光纤记录，在 PND 35-85 的野生型与 Shank3+/- 大鼠同性别配对互动中刻画伏隔核多巴胺动态，发现野生型雄性在扑击、压制等主动玩耍时出现多巴胺升高而被迫屈服时被抑制，野生型雌性在躲避与直立时升高而非高接触玩耍，Shank3 突变体在嗅探与追逐时反应减弱、在扑击时出现符号反转，并以经验多巴胺幅度参数化的多智能体强化学习模型复现突变表型，同时用闭环光遗传刺激 VTA-NAc 证明多巴胺对目标玩耍具有因果充分性。
Shank3 缺失大鼠在主动扑击时伏隔核多巴胺反应符号反转，闭环光遗传刺激 VTA-NAc 可持久延长社交玩耍
该研究用九相机体积成像、Social-Seq 行为音节解析与 GRAB-DA3m 光纤记录，在 PND 35-85 的野生型与 Shank3+/- 大鼠同性别配对互动中刻画伏隔核多巴胺动态，发现野生型雄性在扑击、压制等主动玩耍时出现多巴胺升高而被迫屈服时被抑制，野生型雌性在躲避与直立时升高而非高接触玩耍，Shank3 突变体在嗅探与追逐时反应减弱、在扑击时出现符号反转，并以经验多巴胺幅度参数化的多智能体强化学习模型复现突变表型，同时用闭环光遗传刺激 VTA-NAc 证明多巴胺对目标玩耍具有因果充分性。
该研究用九相机体积成像、Social-Seq 行为音节解析与 GRAB-DA3m 光纤记录，在 PND 35-85 的野生型与 Shank3+/- 大鼠同性别配对互动中刻画伏隔核多巴胺动态，发现野生型雄性在扑击、压制等主动玩耍时出现多巴胺升高而被迫屈服时被抑制，野生型雌性在躲避与直立时升高而非高接触玩耍，Shank3 突变体在嗅探与追逐时反应减弱、在扑击时出现符号反转，并以经验多巴胺幅度参数化的多智能体强化学习模型复现突变表型，同时用闭环光遗传刺激 VTA-NAc 证明多巴胺对目标玩耍具有因果充分性。
Nature Communications 2026年9月26日
作者提出SpaCEy（Spatial Clinical Explainability），一种可解释图神经网络：把每个组织样本按Delaunay三角剖分建成空间图，节点为单细胞蛋白标志物丰度、不使用预定义细胞类型或解剖区域作为输入，用GNN学习预测嵌入并配GNNExplainer式解释器输出边掩码、再聚合k跳邻域得到节点重要性，从而定位与临床结局相关的连续空间区域和关键蛋白；在416例肺腺癌队列预测进展（准确率0.68、F1 0.68、AUC 0.62，优于Ali等0.61/0.59/0.57与SPACE-GM 0.55/0.52/0.52），在720样本JacksonFischer与460样本METAB
作者提出SpaCEy（Spatial Clinical Explainability），一种可解释图神经网络：把每个组织样本按Delaunay三角剖分建成空间图，节点为单细胞蛋白标志物丰度、不使用预定义细胞类型或解剖区域作为输入，用GNN学习预测嵌入并配GNNExplainer式解释器输出边掩码、再聚合k跳邻域得到节点重要性，从而定位与临床结局相关的连续空间区域和关键蛋白；在416例肺腺癌队列预测进展（准确率0.68、F1 0.68、AUC 0.62，优于Ali等0.61/0.59/0.57与SPACE-GM 0.55/0.52/0.52），在720样本JacksonFischer与460样本METAB
SpaCEy用可解释图神经网络把组织空间模式与临床结局相连，在肺癌与乳腺癌队列中同时提升预测并给出空间标记物
作者提出SpaCEy（Spatial Clinical Explainability），一种可解释图神经网络：把每个组织样本按Delaunay三角剖分建成空间图，节点为单细胞蛋白标志物丰度、不使用预定义细胞类型或解剖区域作为输入，用GNN学习预测嵌入并配GNNExplainer式解释器输出边掩码、再聚合k跳邻域得到节点重要性，从而定位与临床结局相关的连续空间区域和关键蛋白；在416例肺腺癌队列预测进展（准确率0.68、F1 0.68、AUC 0.62，优于Ali等0.61/0.59/0.57与SPACE-GM 0.55/0.52/0.52），在720样本JacksonFischer与460样本METAB
作者提出SpaCEy（Spatial Clinical Explainability），一种可解释图神经网络：把每个组织样本按Delaunay三角剖分建成空间图，节点为单细胞蛋白标志物丰度、不使用预定义细胞类型或解剖区域作为输入，用GNN学习预测嵌入并配GNNExplainer式解释器输出边掩码、再聚合k跳邻域得到节点重要性，从而定位与临床结局相关的连续空间区域和关键蛋白；在416例肺腺癌队列预测进展（准确率0.68、F1 0.68、AUC 0.62，优于Ali等0.61/0.59/0.57与SPACE-GM 0.55/0.52/0.52），在720样本JacksonFischer与460样本METAB
arXiv 2026年9月26日
该工作提出 SEER 框架，通过构建带技能标签的图像接地推理轨迹数据集 SEER-Trace（22,330 条多模态指令实例、1,811 例）、在推理时先提取解剖证据再生成可执行任务规范、并用 SEER-Loop 把高奖励推理轨迹蒸馏为可复用技能存入 SEER-Bank，从而在自由文本提示的 3D 医学图像分割中提升准确率与稳定性，报告称在语言扰动下性能方差降低 81.94%、最差 Dice 提升 18.60%。
该工作提出 SEER 框架，通过构建带技能标签的图像接地推理轨迹数据集 SEER-Trace（22,330 条多模态指令实例、1,811 例）、在推理时先提取解剖证据再生成可执行任务规范、并用 SEER-Loop 把高奖励推理轨迹蒸馏为可复用技能存入 SEER-Bank，从而在自由文本提示的 3D 医学图像分割中提升准确率与稳定性，报告称在语言扰动下性能方差降低 81.94%、最差 Dice 提升 18.60%。
SEER 用技能演化的图像接地推理，把自由文本提示下的 3D 医学分割最差 Dice 从 79.34 提升到 95.47，并把标准差压到 0.98
该工作提出 SEER 框架，通过构建带技能标签的图像接地推理轨迹数据集 SEER-Trace（22,330 条多模态指令实例、1,811 例）、在推理时先提取解剖证据再生成可执行任务规范、并用 SEER-Loop 把高奖励推理轨迹蒸馏为可复用技能存入 SEER-Bank，从而在自由文本提示的 3D 医学图像分割中提升准确率与稳定性，报告称在语言扰动下性能方差降低 81.94%、最差 Dice 提升 18.60%。
该工作提出 SEER 框架，通过构建带技能标签的图像接地推理轨迹数据集 SEER-Trace（22,330 条多模态指令实例、1,811 例）、在推理时先提取解剖证据再生成可执行任务规范、并用 SEER-Loop 把高奖励推理轨迹蒸馏为可复用技能存入 SEER-Bank，从而在自由文本提示的 3D 医学图像分割中提升准确率与稳定性，报告称在语言扰动下性能方差降低 81.94%、最差 Dice 提升 18.60%。
arXiv 2026年9月25日
该工作提出 NeuroSymb-MRG 框架，把图像特征映射为概率化临床概念，用可微逻辑层（乘积 t-范数 AND、概率和 OR、可学习门控 α）组合多跳溯因推理链，经规则解码器填入约 120 个模板并叠加检索证据与受限 LLM 改写，再用基于规则级预测熵（5 次 MC-dropout）与 k-center 多样性的主动采样（每轮 k=16）驱动临床医生在环审核；在 IU X-ray 与 MIMIC-CXR 上，BLEU-1 至 BLEU-4、ROUGE-L、METEOR 均优于所列代表性基线，例如 IU X-ray BLEU-1 为 0.602、MIMIC-CXR BLEU-1 为 0.487。
该工作提出 NeuroSymb-MRG 框架，把图像特征映射为概率化临床概念，用可微逻辑层（乘积 t-范数 AND、概率和 OR、可学习门控 α）组合多跳溯因推理链，经规则解码器填入约 120 个模板并叠加检索证据与受限 LLM 改写，再用基于规则级预测熵（5 次 MC-dropout）与 k-center 多样性的主动采样（每轮 k=16）驱动临床医生在环审核；在 IU X-ray 与 MIMIC-CXR 上，BLEU-1 至 BLEU-4、ROUGE-L、METEOR 均优于所列代表性基线，例如 IU X-ray BLEU-1 为 0.602、MIMIC-CXR BLEU-1 为 0.487。
NeuroSymb-MRG 用可微溯因推理与主动不确定性最小化生成放射报告，在 IU X-ray 与 MIMIC-CXR 上把 BLEU-1 提升到 0.602 与 0.487
该工作提出 NeuroSymb-MRG 框架，把图像特征映射为概率化临床概念，用可微逻辑层（乘积 t-范数 AND、概率和 OR、可学习门控 α）组合多跳溯因推理链，经规则解码器填入约 120 个模板并叠加检索证据与受限 LLM 改写，再用基于规则级预测熵（5 次 MC-dropout）与 k-center 多样性的主动采样（每轮 k=16）驱动临床医生在环审核；在 IU X-ray 与 MIMIC-CXR 上，BLEU-1 至 BLEU-4、ROUGE-L、METEOR 均优于所列代表性基线，例如 IU X-ray BLEU-1 为 0.602、MIMIC-CXR BLEU-1 为 0.487。
该工作提出 NeuroSymb-MRG 框架，把图像特征映射为概率化临床概念，用可微逻辑层（乘积 t-范数 AND、概率和 OR、可学习门控 α）组合多跳溯因推理链，经规则解码器填入约 120 个模板并叠加检索证据与受限 LLM 改写，再用基于规则级预测熵（5 次 MC-dropout）与 k-center 多样性的主动采样（每轮 k=16）驱动临床医生在环审核；在 IU X-ray 与 MIMIC-CXR 上，BLEU-1 至 BLEU-4、ROUGE-L、METEOR 均优于所列代表性基线，例如 IU X-ray BLEU-1 为 0.602、MIMIC-CXR BLEU-1 为 0.487。
arXiv 2026年9月25日
该研究在零样本、无微调、无外部工具的条件下，用两个影像学代理任务（黑色素瘤 vs 不典型痣、肺水肿 vs 肺炎）评测多模态大模型代理，并提出免训练的多智能体框架 CARE：两个疾病专属代理分别生成对立证据，第三个裁判代理基于原图核查并裁决；CARE 在皮肤镜任务上把 Gemini-3-Flash 的准确率从 66.5% 提升到 77.6%（Youden 0.552），在胸片任务上从 60.2% 提升到 64.6%，但胸片任务仍低于 Gemini-3-Pro 的 70.9%，整体水平尚不足以临床部署。
该研究在零样本、无微调、无外部工具的条件下，用两个影像学代理任务（黑色素瘤 vs 不典型痣、肺水肿 vs 肺炎）评测多模态大模型代理，并提出免训练的多智能体框架 CARE：两个疾病专属代理分别生成对立证据，第三个裁判代理基于原图核查并裁决；CARE 在皮肤镜任务上把 Gemini-3-Flash 的准确率从 66.5% 提升到 77.6%（Youden 0.552），在胸片任务上从 60.2% 提升到 64.6%，但胸片任务仍低于 Gemini-3-Pro 的 70.9%，整体水平尚不足以临床部署。
CARE 多智能体对比裁决把黑色素瘤与不典型痣的零样本诊断准确率从 66.5% 提升到 77.6%，但胸部 X 光任务仍落后于 Gemini-3-Pro
该研究在零样本、无微调、无外部工具的条件下，用两个影像学代理任务（黑色素瘤 vs 不典型痣、肺水肿 vs 肺炎）评测多模态大模型代理，并提出免训练的多智能体框架 CARE：两个疾病专属代理分别生成对立证据，第三个裁判代理基于原图核查并裁决；CARE 在皮肤镜任务上把 Gemini-3-Flash 的准确率从 66.5% 提升到 77.6%（Youden 0.552），在胸片任务上从 60.2% 提升到 64.6%，但胸片任务仍低于 Gemini-3-Pro 的 70.9%，整体水平尚不足以临床部署。
该研究在零样本、无微调、无外部工具的条件下，用两个影像学代理任务（黑色素瘤 vs 不典型痣、肺水肿 vs 肺炎）评测多模态大模型代理，并提出免训练的多智能体框架 CARE：两个疾病专属代理分别生成对立证据，第三个裁判代理基于原图核查并裁决；CARE 在皮肤镜任务上把 Gemini-3-Flash 的准确率从 66.5% 提升到 77.6%（Youden 0.552），在胸片任务上从 60.2% 提升到 64.6%，但胸片任务仍低于 Gemini-3-Pro 的 70.9%，整体水平尚不足以临床部署。
arXiv 2026年9月25日
该工作提出 UniField，一个统一的多模态、多任务 MRI 场强增强框架：它把 T1、T2、FLAIR 以及 64mT→3T、3T→7T 等跨场强任务合并到单一模型中，借助预训练视频超分模型 FlashVSR 的潜空间与 LoRA 微调引入 3D 结构先验，并用场强感知频谱校正机制（FASRM）按源/目标场强的物理特性调整低、中、高频损失权重，同时整理并公开一个来自五家机构、规模比既有基准大一个数量级的配对多场强 MRI 数据集；实验报告相对对比方法平均提升约 1.81 dB PSNR 和 9.47% SSIM。
该工作提出 UniField，一个统一的多模态、多任务 MRI 场强增强框架：它把 T1、T2、FLAIR 以及 64mT→3T、3T→7T 等跨场强任务合并到单一模型中，借助预训练视频超分模型 FlashVSR 的潜空间与 LoRA 微调引入 3D 结构先验，并用场强感知频谱校正机制（FASRM）按源/目标场强的物理特性调整低、中、高频损失权重，同时整理并公开一个来自五家机构、规模比既有基准大一个数量级的配对多场强 MRI 数据集；实验报告相对对比方法平均提升约 1.81 dB PSNR 和 9.47% SSIM。
UniField 用统一框架把 64mT→3T 与 3T→7T 脑 MRI 增强合并训练，平均提升约 1.81 dB PSNR 与 9.47% SSIM
该工作提出 UniField，一个统一的多模态、多任务 MRI 场强增强框架：它把 T1、T2、FLAIR 以及 64mT→3T、3T→7T 等跨场强任务合并到单一模型中，借助预训练视频超分模型 FlashVSR 的潜空间与 LoRA 微调引入 3D 结构先验，并用场强感知频谱校正机制（FASRM）按源/目标场强的物理特性调整低、中、高频损失权重，同时整理并公开一个来自五家机构、规模比既有基准大一个数量级的配对多场强 MRI 数据集；实验报告相对对比方法平均提升约 1.81 dB PSNR 和 9.47% SSIM。
该工作提出 UniField，一个统一的多模态、多任务 MRI 场强增强框架：它把 T1、T2、FLAIR 以及 64mT→3T、3T→7T 等跨场强任务合并到单一模型中，借助预训练视频超分模型 FlashVSR 的潜空间与 LoRA 微调引入 3D 结构先验，并用场强感知频谱校正机制（FASRM）按源/目标场强的物理特性调整低、中、高频损失权重，同时整理并公开一个来自五家机构、规模比既有基准大一个数量级的配对多场强 MRI 数据集；实验报告相对对比方法平均提升约 1.81 dB PSNR 和 9.47% SSIM。
arXiv 2026年9月25日
该工作提出 BiasRecon，一个基于“最小干预”原则的偏置校准自适应框架，通过交替优化频率引导的先验校准（在 U-Net 各跳跃连接层用可学习标量 α、β 调制低/高频分量，仅引入 2L 个参数）、基于分数的去噪以及用 Stein 无偏风险估计（SURE）自适应调节正则化参数 γ，在 FastMRI 膝（训练集，973 个体积）上训练后直接迁移到 FastMRI-Brain（跨解剖）、Stanford Knee（跨中心）和 CMRxRecon（组合偏移）三个开放世界测试集，在 8× 高斯一维欠采样下分别比 DDS 提升 +1.19 dB、+2.06 dB、+1.60 dB PSNR，并在 12 项采样/加速设置中 10 项最优。
该工作提出 BiasRecon，一个基于“最小干预”原则的偏置校准自适应框架，通过交替优化频率引导的先验校准（在 U-Net 各跳跃连接层用可学习标量 α、β 调制低/高频分量，仅引入 2L 个参数）、基于分数的去噪以及用 Stein 无偏风险估计（SURE）自适应调节正则化参数 γ，在 FastMRI 膝（训练集，973 个体积）上训练后直接迁移到 FastMRI-Brain（跨解剖）、Stanford Knee（跨中心）和 CMRxRecon（组合偏移）三个开放世界测试集，在 8× 高斯一维欠采样下分别比 DDS 提升 +1.19 dB、+2.06 dB、+1.60 dB PSNR，并在 12 项采样/加速设置中 10 项最优。
BiasRecon 用不到 100 个可调参数在跨解剖、跨中心、跨模态 MRI 重建中取得最优 PSNR
该工作提出 BiasRecon，一个基于“最小干预”原则的偏置校准自适应框架，通过交替优化频率引导的先验校准（在 U-Net 各跳跃连接层用可学习标量 α、β 调制低/高频分量，仅引入 2L 个参数）、基于分数的去噪以及用 Stein 无偏风险估计（SURE）自适应调节正则化参数 γ，在 FastMRI 膝（训练集，973 个体积）上训练后直接迁移到 FastMRI-Brain（跨解剖）、Stanford Knee（跨中心）和 CMRxRecon（组合偏移）三个开放世界测试集，在 8× 高斯一维欠采样下分别比 DDS 提升 +1.19 dB、+2.06 dB、+1.60 dB PSNR，并在 12 项采样/加速设置中 10 项最优。
该工作提出 BiasRecon，一个基于“最小干预”原则的偏置校准自适应框架，通过交替优化频率引导的先验校准（在 U-Net 各跳跃连接层用可学习标量 α、β 调制低/高频分量，仅引入 2L 个参数）、基于分数的去噪以及用 Stein 无偏风险估计（SURE）自适应调节正则化参数 γ，在 FastMRI 膝（训练集，973 个体积）上训练后直接迁移到 FastMRI-Brain（跨解剖）、Stanford Knee（跨中心）和 CMRxRecon（组合偏移）三个开放世界测试集，在 8× 高斯一维欠采样下分别比 DDS 提升 +1.19 dB、+2.06 dB、+1.60 dB PSNR，并在 12 项采样/加速设置中 10 项最优。
arXiv 2026年9月25日
该工作提出 UltraStar，将超声心动图探头导航从路径回归重新表述为基于锚点的全局定位：用星型图把历史关键帧作为空间锚点直接连到当前视图以显式建模几何约束，并用语义感知采样从海量历史日志中挑选代表性标志点以减少冗余，在超过 131 万样本的数据集上实验显示其优于基线，且随输入长度增加扩展性更好，说明在带噪探索下星型拓扑是更有效的历史建模方式。
该工作提出 UltraStar，将超声心动图探头导航从路径回归重新表述为基于锚点的全局定位：用星型图把历史关键帧作为空间锚点直接连到当前视图以显式建模几何约束，并用语义感知采样从海量历史日志中挑选代表性标志点以减少冗余，在超过 131 万样本的数据集上实验显示其优于基线，且随输入长度增加扩展性更好，说明在带噪探索下星型拓扑是更有效的历史建模方式。
UltraStar 把超声探头导航从路径回归改为锚点全局定位，在 131 万样本上超越基线并随输入变长而扩展更好
该工作提出 UltraStar，将超声心动图探头导航从路径回归重新表述为基于锚点的全局定位：用星型图把历史关键帧作为空间锚点直接连到当前视图以显式建模几何约束，并用语义感知采样从海量历史日志中挑选代表性标志点以减少冗余，在超过 131 万样本的数据集上实验显示其优于基线，且随输入长度增加扩展性更好，说明在带噪探索下星型拓扑是更有效的历史建模方式。
该工作提出 UltraStar，将超声心动图探头导航从路径回归重新表述为基于锚点的全局定位：用星型图把历史关键帧作为空间锚点直接连到当前视图以显式建模几何约束，并用语义感知采样从海量历史日志中挑选代表性标志点以减少冗余，在超过 131 万样本的数据集上实验显示其优于基线，且随输入长度增加扩展性更好，说明在带噪探索下星型拓扑是更有效的历史建模方式。

第 14 页 · 当前显示 10 项