全球最大超声原始通道数据集：斯坦福×英伟达等38家机构开源40TB
超声原始通道数据一直是块硬骨头：临床机器不给导，各家格式各说各话，一次采集动辄几个G。这篇把38家机构的约40TB数据拧成一个统一格式的开放语料，19,332次采集、覆盖从波束形成到血流成像再到智能诊断的十几类任务，算是给超声基础模型铺了块实打实的地基。
标签：AI医疗
共 93 篇
北航×清华医学图像恢复：一个模型统一10类2D/3D任务
论文方法： 统一恢复框架（All-in-One）中的层级同质性与异质性建模框架（UniH3） 原文标题： UniH³: Unifying Hierarchical Homogeneity and Heterogeneity for All-in-One Medical Image Restoration 首次公开： 2026年9月10日（arXiv v1）
西南科大新研究：去掉文本Dice从91.61%暴跌至40.76%，医学图像分割真的离不开文字？
每次看到给医学图像分割加文本引导的工作，龙哥都会问一句：那行文字到底起多大作用？这篇论文用5个预训练医学视觉语言模型和4种融合算子做了系统性交叉实验，还提出一个轻量诊断工具做证据解耦，把“换融合头不涨点、去文本却崩盘”这类反直觉现象掰开揉碎了讲清楚，值得做多模态医学影像的读者花几分钟细读。
低剂量CT去噪告别配对数据！物理驱动新框架：17项指标反超监督基线
低剂量CT（LDCT）的临床价值不用多说——辐射剂量降低了，患者风险下来了，可图像里的噪声就上去了。泊松-高斯混合噪声趴在投影数据里，重建出来的图像出现条纹和伪影，直接影响医生下诊断。传统去噪方法靠人工先验，效果有限；
胶囊内镜图太糊看不清？无监督Transformer超分方案让病灶细节放大4倍还更清晰
无线胶囊内镜拍出来的图常常模糊不清，而真实场景下几乎不可能拿到一一配对的清晰与模糊图对。这篇来自印度SVNIT与挪威NTNU的工作把Transformer放进无监督GAN里做四倍超分，还顺手提出了一个内镜专用的无参考画质指标，代码与预训练模型均已开源，值得做医学影像增强的读者仔细看看。
西南科大最新研究：AI "边涂色边切割"，扩散模型玩转医学影像分割
图像恢复越清晰，检测反而越容易翻车？SafeRestore告诉你：别急着让AI"修复"图像，先给修复结果发张"安全认证"再放行。这篇论文最精彩的地方，是诚实地展示了自适应策略如何在五次实验中只通过一次认证——比简单插值还没牌面。
把病灶“外形”和“纹理”拆开学，SAUF-Net把Dice拉到91.98%
标注数据稀缺是医学影像落地的头号绊脚石。SAUF-Net把视野从“预测结果的一致性”拉到“内部特征表示是否可靠”，用“结构-外观解耦”的思路直接回应伪标签误差累积这个老大难问题，在5%标注率下打出了超越不少10%标注方法的效果，值得所有做半监督分割的读者花几分钟看看。
MRI超分训练太贵？把VGG感知损失塞进扩散目标可省钱
扩散模型做超分，画质确实顶，训练也确实是出了名的“百万步起步”。这篇文章没动网络结构，只在训练目标里加一个冻结VGG的感知正则项，就能让脑MRI和彩色人脸超分稳定加速收敛，局部细节还更真。想低成本给扩散训练“加外挂”的读者，值得花三分钟读完。
U-Net分割血管总断条？UI-VISA让区域生长给血管“接骨”，clDice显著提升还快3~5倍
要说清楚这篇论文在解决什么问题，得先从一张血管造影图说起。
多智能体还在"群聊"误诊？华南理工新框架把会诊画成推理图，转诊准确率飙到95.3%
一堆AI医生会诊，居然还会“抱团跑偏”？把肺癌晚期患者往肿瘤科一推，完全无视血氧已经掉到危险线。华南理工等机构最近祭出新框架MASGR，把松散群聊升级成结构化推理图，再请来“仲裁官”把关，转诊准确率一口气顶到95.3%。
眼动就能让AI分割医学图像？零样本息肉分割Dice 88.1%，追平全监督
医学图像分割被昂贵标注卡脖子多年，GazeRefine却用医生眼动当提示，在不需要任何训练的前提下把息肉分割做到88.10% Dice，一脚踩到全监督nnU-Net脚后跟。想让AI指哪打哪还不炼丹？这篇值得一读。零样本、免训练、免标注，核心思路极清爽：眼动点一下，冻结特征自动“长出”掩码。适合所有关心医学图像落地成本与交互分割效率的读者。
PCI评估AI落地前，先搞懂这1分能改变什么
这可能是影像AI圈最该细品的一类研究：不看Dice涨了多少，而是问Dice涨了之后，医生做决策到底变没变。荷兰团队用10例增强CT、4位专家、1个nnU-Net模型，外加一套概率模拟，把分割边界差异直接翻译成临床评分差异。结论相当反直觉——几何差异不小，但rPCI总分平均波动不到1分，决策翻转全挤在PCI 20这个生死线附近。不卷精度的论文，反而把精度指标的
