医学与健康

461 条内容

arXiv 2026年9月25日
该工作提出 BrainSTR 时空对比学习框架，通过数据驱动的自适应相位划分学习状态一致的相位边界、用注意力识别诊断关键相位、并用经二值化、时间平滑与稀疏正则化的增量图结构生成器提取各相位内疾病相关连接，再以时空监督对比学习利用诊断相关的时空模式细化样本相似度度量，从而构建结构良好的语义空间；在 ASD、BD、MDD 上的实验验证了其有效性，所发现的关键相位与子网络提供了与既往神经影像发现一致的可解释证据。
该工作提出 BrainSTR 时空对比学习框架，通过数据驱动的自适应相位划分学习状态一致的相位边界、用注意力识别诊断关键相位、并用经二值化、时间平滑与稀疏正则化的增量图结构生成器提取各相位内疾病相关连接，再以时空监督对比学习利用诊断相关的时空模式细化样本相似度度量，从而构建结构良好的语义空间；在 ASD、BD、MDD 上的实验验证了其有效性，所发现的关键相位与子网络提供了与既往神经影像发现一致的可解释证据。
BrainSTR 用时空对比学习建模动态脑网络，在 ASD、BD、MDD 上验证并给出与既往神经影像发现一致的关键相位与子网络
该工作提出 BrainSTR 时空对比学习框架，通过数据驱动的自适应相位划分学习状态一致的相位边界、用注意力识别诊断关键相位、并用经二值化、时间平滑与稀疏正则化的增量图结构生成器提取各相位内疾病相关连接，再以时空监督对比学习利用诊断相关的时空模式细化样本相似度度量，从而构建结构良好的语义空间；在 ASD、BD、MDD 上的实验验证了其有效性，所发现的关键相位与子网络提供了与既往神经影像发现一致的可解释证据。
该工作提出 BrainSTR 时空对比学习框架，通过数据驱动的自适应相位划分学习状态一致的相位边界、用注意力识别诊断关键相位、并用经二值化、时间平滑与稀疏正则化的增量图结构生成器提取各相位内疾病相关连接，再以时空监督对比学习利用诊断相关的时空模式细化样本相似度度量，从而构建结构良好的语义空间；在 ASD、BD、MDD 上的实验验证了其有效性，所发现的关键相位与子网络提供了与既往神经影像发现一致的可解释证据。
arXiv 2026年9月25日
Spinverse 提出一种渗透率感知的微结构重建方法：在固定四面体网格上把每个内部面的渗透率设为可学习参数，通过完全可微的 Bloch-Torrey 模拟器反向传播信号匹配损失来优化面渗透率，再对学到的渗透率场取阈值得到界面；在一组合成体素网格上，它重建出多种几何结构，并显示序列调度与正则化对避免只出现轮廓的解、提升边界精度与结构有效性至关重要。
Spinverse 提出一种渗透率感知的微结构重建方法：在固定四面体网格上把每个内部面的渗透率设为可学习参数，通过完全可微的 Bloch-Torrey 模拟器反向传播信号匹配损失来优化面渗透率，再对学到的渗透率场取阈值得到界面；在一组合成体素网格上，它重建出多种几何结构，并显示序列调度与正则化对避免只出现轮廓的解、提升边界精度与结构有效性至关重要。
Spinverse 用可微 Bloch-Torrey 模拟器从扩散 MRI 反演面渗透率，在合成网格上重建出多样微结构界面
Spinverse 提出一种渗透率感知的微结构重建方法：在固定四面体网格上把每个内部面的渗透率设为可学习参数，通过完全可微的 Bloch-Torrey 模拟器反向传播信号匹配损失来优化面渗透率，再对学到的渗透率场取阈值得到界面；在一组合成体素网格上，它重建出多种几何结构，并显示序列调度与正则化对避免只出现轮廓的解、提升边界精度与结构有效性至关重要。
Spinverse 提出一种渗透率感知的微结构重建方法：在固定四面体网格上把每个内部面的渗透率设为可学习参数，通过完全可微的 Bloch-Torrey 模拟器反向传播信号匹配损失来优化面渗透率，再对学到的渗透率场取阈值得到界面；在一组合成体素网格上，它重建出多种几何结构，并显示序列调度与正则化对避免只出现轮廓的解、提升边界精度与结构有效性至关重要。
arXiv 2026年9月25日
该工作提出LRM-Functa，在VidFuncta的时间分辨调制向量上施加低秩约束（mt = v + Bβϕt），使心脏超声视频的隐空间呈现周期性螺旋轨迹，从而无需额外训练即可直接读出舒张末期（ED）与收缩末期（ES）帧，并在EchoNet-Dynamic上以k=2的极低秩保持稳定重建与射血分数预测性能，同时在POCUS心脏视图和肺超声B线分类上验证了泛化性。
该工作提出LRM-Functa，在VidFuncta的时间分辨调制向量上施加低秩约束（mt = v + Bβϕt），使心脏超声视频的隐空间呈现周期性螺旋轨迹，从而无需额外训练即可直接读出舒张末期（ED）与收缩末期（ES）帧，并在EchoNet-Dynamic上以k=2的极低秩保持稳定重建与射血分数预测性能，同时在POCUS心脏视图和肺超声B线分类上验证了泛化性。
低秩约束让超声视频隐空间变成可读的心脏周期轨迹，无需额外训练即可读出ED/ES帧
该工作提出LRM-Functa，在VidFuncta的时间分辨调制向量上施加低秩约束（mt = v + Bβϕt），使心脏超声视频的隐空间呈现周期性螺旋轨迹，从而无需额外训练即可直接读出舒张末期（ED）与收缩末期（ES）帧，并在EchoNet-Dynamic上以k=2的极低秩保持稳定重建与射血分数预测性能，同时在POCUS心脏视图和肺超声B线分类上验证了泛化性。
该工作提出LRM-Functa，在VidFuncta的时间分辨调制向量上施加低秩约束（mt = v + Bβϕt），使心脏超声视频的隐空间呈现周期性螺旋轨迹，从而无需额外训练即可直接读出舒张末期（ED）与收缩末期（ES）帧，并在EchoNet-Dynamic上以k=2的极低秩保持稳定重建与射血分数预测性能，同时在POCUS心脏视图和肺超声B线分类上验证了泛化性。
arXiv 2026年9月25日
作者提出 PlaneCycle——一种无参数、免训练、免适配器的 2D 到 3D 提升算子，它让预训练 2D 主干网络在深度方向上循环地在 HW、DW、DH 三个正交平面上做空间聚合，从而在不改动任何预训练参数的情况下获得 3D 融合能力；以 DINOv3 的 ViT-S/16、ViT-B/16、ViT-L/16 为对象，在六个 3D 分类基准和三个 3D 分割基准上，线性探测下 PCg 在 ViT-B/16 上平均 AUC 达 87.8、ACC 达 82.0，超过切片式 2D 基线和 3D 展平基线，并在 5/6 数据集上配对 t 检验显著（p<0.05）；全量微调后性能与标准 3D 架构相当，分割任务上最多高出 3D 展平 2.6 个 Dice 点，同时保持与 2D 相同的注意力
作者提出 PlaneCycle——一种无参数、免训练、免适配器的 2D 到 3D 提升算子，它让预训练 2D 主干网络在深度方向上循环地在 HW、DW、DH 三个正交平面上做空间聚合，从而在不改动任何预训练参数的情况下获得 3D 融合能力；以 DINOv3 的 ViT-S/16、ViT-B/16、ViT-L/16 为对象，在六个 3D 分类基准和三个 3D 分割基准上，线性探测下 PCg 在 ViT-B/16 上平均 AUC 达 87.8、ACC 达 82.0，超过切片式 2D 基线和 3D 展平基线，并在 5/6 数据集上配对 t 检验显著（p<0.05）；全量微调后性能与标准 3D 架构相当，分割任务上最多高出 3D 展平 2.6 个 Dice 点，同时保持与 2D 相同的注意力
PlaneCycle 无需训练、无需适配器，把 DINOv3 的 2D 权重直接提升为 3D 模型，线性探测平均 AUC 达 87.8
作者提出 PlaneCycle——一种无参数、免训练、免适配器的 2D 到 3D 提升算子，它让预训练 2D 主干网络在深度方向上循环地在 HW、DW、DH 三个正交平面上做空间聚合，从而在不改动任何预训练参数的情况下获得 3D 融合能力；以 DINOv3 的 ViT-S/16、ViT-B/16、ViT-L/16 为对象，在六个 3D 分类基准和三个 3D 分割基准上，线性探测下 PCg 在 ViT-B/16 上平均 AUC 达 87.8、ACC 达 82.0，超过切片式 2D 基线和 3D 展平基线，并在 5/6 数据集上配对 t 检验显著（p<0.05）；全量微调后性能与标准 3D 架构相当，分割任务上最多高出 3D 展平 2.6 个 Dice 点，同时保持与 2D 相同的注意力
作者提出 PlaneCycle——一种无参数、免训练、免适配器的 2D 到 3D 提升算子，它让预训练 2D 主干网络在深度方向上循环地在 HW、DW、DH 三个正交平面上做空间聚合，从而在不改动任何预训练参数的情况下获得 3D 融合能力；以 DINOv3 的 ViT-S/16、ViT-B/16、ViT-L/16 为对象，在六个 3D 分类基准和三个 3D 分割基准上，线性探测下 PCg 在 ViT-B/16 上平均 AUC 达 87.8、ACC 达 82.0，超过切片式 2D 基线和 3D 展平基线，并在 5/6 数据集上配对 t 检验显著（p<0.05）；全量微调后性能与标准 3D 架构相当，分割任务上最多高出 3D 展平 2.6 个 Dice 点，同时保持与 2D 相同的注意力
arXiv 2026年9月25日
该研究提出 TotalFM，一个基于器官分离思路的 3D-CT 放射学基础模型：它用 TotalSegmentator 与 LLM 自动构建约 34 万个器官级“体积—文本”配对，先以 VideoMAE 自监督预训练、再做器官级对比学习，在零样本器官级病灶分类中平均 F1 达 0.708（CT-CLIP 为 0.515、Merlin 为 0.650），在 83%（25/30）的征象类别上 AUROC 高于 Merlin，并在报告生成上取得与 Merlin 相当的表现，同时把批量效率提升到 32 batch/GPU。
该研究提出 TotalFM，一个基于器官分离思路的 3D-CT 放射学基础模型：它用 TotalSegmentator 与 LLM 自动构建约 34 万个器官级“体积—文本”配对，先以 VideoMAE 自监督预训练、再做器官级对比学习，在零样本器官级病灶分类中平均 F1 达 0.708（CT-CLIP 为 0.515、Merlin 为 0.650），在 83%（25/30）的征象类别上 AUROC 高于 Merlin，并在报告生成上取得与 Merlin 相当的表现，同时把批量效率提升到 32 batch/GPU。
TotalFM 用器官分离的 3D-CT 基础模型在零样本病灶分类中于 83%（25/30）的征象类别上超过 Merlin，并以 32 batch/GPU 的批量效率训练
该研究提出 TotalFM，一个基于器官分离思路的 3D-CT 放射学基础模型：它用 TotalSegmentator 与 LLM 自动构建约 34 万个器官级“体积—文本”配对，先以 VideoMAE 自监督预训练、再做器官级对比学习，在零样本器官级病灶分类中平均 F1 达 0.708（CT-CLIP 为 0.515、Merlin 为 0.650），在 83%（25/30）的征象类别上 AUROC 高于 Merlin，并在报告生成上取得与 Merlin 相当的表现，同时把批量效率提升到 32 batch/GPU。
该研究提出 TotalFM，一个基于器官分离思路的 3D-CT 放射学基础模型：它用 TotalSegmentator 与 LLM 自动构建约 34 万个器官级“体积—文本”配对，先以 VideoMAE 自监督预训练、再做器官级对比学习，在零样本器官级病灶分类中平均 F1 达 0.708（CT-CLIP 为 0.515、Merlin 为 0.650），在 83%（25/30）的征象类别上 AUROC 高于 Merlin，并在报告生成上取得与 Merlin 相当的表现，同时把批量效率提升到 32 batch/GPU。
arXiv 2026年9月25日
该工作提出一个形变感知的CBCT更新框架，用机器人超声作为动态代理推断组织运动：先以手眼标定初始化并用LC2做刚性精配准，再用轻量网络USCorUNet从相邻超声帧估计双向稠密形变场，经空间正则化后迁移到CBCT参考切片，从而在不增加辐射暴露的情况下实现实时端到端CBCT切片更新，并在体模与在体数据上验证了形变估计与超声引导CBCT更新的效果。
该工作提出一个形变感知的CBCT更新框架，用机器人超声作为动态代理推断组织运动：先以手眼标定初始化并用LC2做刚性精配准，再用轻量网络USCorUNet从相邻超声帧估计双向稠密形变场，经空间正则化后迁移到CBCT参考切片，从而在不增加辐射暴露的情况下实现实时端到端CBCT切片更新，并在体模与在体数据上验证了形变估计与超声引导CBCT更新的效果。
机器人超声驱动CBCT实时形变更新：USCorUNet将前向-后向残差降低约53%，并以11.25毫秒完成切片更新
该工作提出一个形变感知的CBCT更新框架，用机器人超声作为动态代理推断组织运动：先以手眼标定初始化并用LC2做刚性精配准，再用轻量网络USCorUNet从相邻超声帧估计双向稠密形变场，经空间正则化后迁移到CBCT参考切片，从而在不增加辐射暴露的情况下实现实时端到端CBCT切片更新，并在体模与在体数据上验证了形变估计与超声引导CBCT更新的效果。
该工作提出一个形变感知的CBCT更新框架，用机器人超声作为动态代理推断组织运动：先以手眼标定初始化并用LC2做刚性精配准，再用轻量网络USCorUNet从相邻超声帧估计双向稠密形变场，经空间正则化后迁移到CBCT参考切片，从而在不增加辐射暴露的情况下实现实时端到端CBCT切片更新，并在体模与在体数据上验证了形变估计与超声引导CBCT更新的效果。
arXiv 2026年9月25日
该工作提出 OPGAgent，一个由 GPT-5.2 规划、按 ReAct 范式编排分层证据采集、专用工具箱与共识子智能体的多工具牙科智能体，并配套提出基于（位置、字段、取值）三元组、源自真实临床报告的 OPG-Bench 评测协议；在含 1,009 例匿名全景片与 5,219 条 VQA 对的 OPG-Bench 上，OPGAgent 取得 42.3% 精确匹配 F1、49.7% 综合得分、43.1% 精确率与每例 4.89 个假阳性，并在 MMOral-OPG 上以 62.53% 准确率领先。
该工作提出 OPGAgent，一个由 GPT-5.2 规划、按 ReAct 范式编排分层证据采集、专用工具箱与共识子智能体的多工具牙科智能体，并配套提出基于（位置、字段、取值）三元组、源自真实临床报告的 OPG-Bench 评测协议；在含 1,009 例匿名全景片与 5,219 条 VQA 对的 OPG-Bench 上，OPGAgent 取得 42.3% 精确匹配 F1、49.7% 综合得分、43.1% 精确率与每例 4.89 个假阳性，并在 MMOral-OPG 上以 62.53% 准确率领先。
OPGAgent 用多工具智能体与共识机制做全景牙片解读，在自建 OPG-Bench 上取得 42.3% 精确匹配 F1 并把每例假阳性压到 4.89
该工作提出 OPGAgent，一个由 GPT-5.2 规划、按 ReAct 范式编排分层证据采集、专用工具箱与共识子智能体的多工具牙科智能体，并配套提出基于（位置、字段、取值）三元组、源自真实临床报告的 OPG-Bench 评测协议；在含 1,009 例匿名全景片与 5,219 条 VQA 对的 OPG-Bench 上，OPGAgent 取得 42.3% 精确匹配 F1、49.7% 综合得分、43.1% 精确率与每例 4.89 个假阳性，并在 MMOral-OPG 上以 62.53% 准确率领先。
该工作提出 OPGAgent，一个由 GPT-5.2 规划、按 ReAct 范式编排分层证据采集、专用工具箱与共识子智能体的多工具牙科智能体，并配套提出基于（位置、字段、取值）三元组、源自真实临床报告的 OPG-Bench 评测协议；在含 1,009 例匿名全景片与 5,219 条 VQA 对的 OPG-Bench 上，OPGAgent 取得 42.3% 精确匹配 F1、49.7% 综合得分、43.1% 精确率与每例 4.89 个假阳性，并在 MMOral-OPG 上以 62.53% 准确率领先。
arXiv 2026年9月25日
该工作提出 ConRad，一个基于强化学习的框架，用 GRPO 算法和对数评分规则奖励微调医学大视觉语言模型，使其在生成放射报告的同时输出报告级或句子级的言语化置信度，在 MIMIC-CXR 上报告级 ECE 降至 0.106、句子级 ECE 降至 0.239，并在 IU-Xray 零样本迁移中把 ECE 从 0.310 改善到 0.034，同时报告生成质量（GREEN）保持稳定。
该工作提出 ConRad，一个基于强化学习的框架，用 GRPO 算法和对数评分规则奖励微调医学大视觉语言模型，使其在生成放射报告的同时输出报告级或句子级的言语化置信度，在 MIMIC-CXR 上报告级 ECE 降至 0.106、句子级 ECE 降至 0.239，并在 IU-Xray 零样本迁移中把 ECE 从 0.310 改善到 0.034，同时报告生成质量（GREEN）保持稳定。
ConRad 用 GRPO 与对数评分规则微调医学视觉语言模型，使报告级 ECE 从 0.642 降至 0.106，并在 IU-Xray 零样本迁移中把 ECE 从 0.310 改善到 0.034
该工作提出 ConRad，一个基于强化学习的框架，用 GRPO 算法和对数评分规则奖励微调医学大视觉语言模型，使其在生成放射报告的同时输出报告级或句子级的言语化置信度，在 MIMIC-CXR 上报告级 ECE 降至 0.106、句子级 ECE 降至 0.239，并在 IU-Xray 零样本迁移中把 ECE 从 0.310 改善到 0.034，同时报告生成质量（GREEN）保持稳定。
该工作提出 ConRad，一个基于强化学习的框架，用 GRPO 算法和对数评分规则奖励微调医学大视觉语言模型，使其在生成放射报告的同时输出报告级或句子级的言语化置信度，在 MIMIC-CXR 上报告级 ECE 降至 0.106、句子级 ECE 降至 0.239，并在 IU-Xray 零样本迁移中把 ECE 从 0.310 改善到 0.034，同时报告生成质量（GREEN）保持稳定。
arXiv 2026年9月25日
该工作提出MPFlow，一个基于整流流的零样本多模态MRI重建框架，通过自监督预训练策略PAMRI学习跨模态共享表征，在推理时用数据一致性与跨模态特征对齐联合引导无条件先验，在HCP的T2 4倍超分辨与BraTS的FLAIR 8倍k空间重建上，以仅20%的采样步数匹配扩散基线的图像质量，并将肿瘤分割Dice提升15%、SHAFE幻觉分数降低26%。
该工作提出MPFlow，一个基于整流流的零样本多模态MRI重建框架，通过自监督预训练策略PAMRI学习跨模态共享表征，在推理时用数据一致性与跨模态特征对齐联合引导无条件先验，在HCP的T2 4倍超分辨与BraTS的FLAIR 8倍k空间重建上，以仅20%的采样步数匹配扩散基线的图像质量，并将肿瘤分割Dice提升15%、SHAFE幻觉分数降低26%。
MPFlow用辅助MRI模态在推理时引导整流流先验，以20%采样步数达到扩散基线质量并将肿瘤幻觉Dice降低15%
该工作提出MPFlow，一个基于整流流的零样本多模态MRI重建框架，通过自监督预训练策略PAMRI学习跨模态共享表征，在推理时用数据一致性与跨模态特征对齐联合引导无条件先验，在HCP的T2 4倍超分辨与BraTS的FLAIR 8倍k空间重建上，以仅20%的采样步数匹配扩散基线的图像质量，并将肿瘤分割Dice提升15%、SHAFE幻觉分数降低26%。
该工作提出MPFlow，一个基于整流流的零样本多模态MRI重建框架，通过自监督预训练策略PAMRI学习跨模态共享表征，在推理时用数据一致性与跨模态特征对齐联合引导无条件先验，在HCP的T2 4倍超分辨与BraTS的FLAIR 8倍k空间重建上，以仅20%的采样步数匹配扩散基线的图像质量，并将肿瘤分割Dice提升15%、SHAFE幻觉分数降低26%。
arXiv 2026年9月25日
该工作提出 RPG-SAM，一个基于 SAM2 的免训练单样本息肉分割框架，用可靠性加权原型挖掘（RWPM）按对比因子与反向纯度因子加权支持图像的前景原型并以背景原型作负锚点抑制噪声，用几何自适应阈值选择（GAS）依据形态实心度与尺度一致性动态挑选二值化阈值，再用先验引导迭代精炼（PIR）循环修正边界，在 Kvasir 上取得 78.65% mIoU 与 85.65% mDice，较 ProtoSAM 分别提升 5.56% 与 4.11%，并在 PolypGen 三中心、CVC-ClinicDB、CVC-ColonDB 上报告了对比结果。
该工作提出 RPG-SAM，一个基于 SAM2 的免训练单样本息肉分割框架，用可靠性加权原型挖掘（RWPM）按对比因子与反向纯度因子加权支持图像的前景原型并以背景原型作负锚点抑制噪声，用几何自适应阈值选择（GAS）依据形态实心度与尺度一致性动态挑选二值化阈值，再用先验引导迭代精炼（PIR）循环修正边界，在 Kvasir 上取得 78.65% mIoU 与 85.65% mDice，较 ProtoSAM 分别提升 5.56% 与 4.11%，并在 PolypGen 三中心、CVC-ClinicDB、CVC-ColonDB 上报告了对比结果。
RPG-SAM 用可靠性加权原型与几何自适应阈值，在 Kvasir 上把免训练单样本息肉分割 mIoU 提升 5.56%
该工作提出 RPG-SAM，一个基于 SAM2 的免训练单样本息肉分割框架，用可靠性加权原型挖掘（RWPM）按对比因子与反向纯度因子加权支持图像的前景原型并以背景原型作负锚点抑制噪声，用几何自适应阈值选择（GAS）依据形态实心度与尺度一致性动态挑选二值化阈值，再用先验引导迭代精炼（PIR）循环修正边界，在 Kvasir 上取得 78.65% mIoU 与 85.65% mDice，较 ProtoSAM 分别提升 5.56% 与 4.11%，并在 PolypGen 三中心、CVC-ClinicDB、CVC-ColonDB 上报告了对比结果。
该工作提出 RPG-SAM，一个基于 SAM2 的免训练单样本息肉分割框架，用可靠性加权原型挖掘（RWPM）按对比因子与反向纯度因子加权支持图像的前景原型并以背景原型作负锚点抑制噪声，用几何自适应阈值选择（GAS）依据形态实心度与尺度一致性动态挑选二值化阈值，再用先验引导迭代精炼（PIR）循环修正边界，在 Kvasir 上取得 78.65% mIoU 与 85.65% mDice，较 ProtoSAM 分别提升 5.56% 与 4.11%，并在 PolypGen 三中心、CVC-ClinicDB、CVC-ColonDB 上报告了对比结果。

第 18 页 · 当前显示 10 项