医学图像处理

论文解读-Towards Direction-Equilibrated Segmentation in3D Medical ImagesDEM-Mamba：面向 3D 医学图像方向均衡分割的方向敏感平衡 Mamba 网络（MICCAI 2026）

罗小罗同学

西交联合腾讯和剑桥团队发表轻量化医学智能体，无需重新训练模型即可大幅提升诊断准确率，同时还可以增强模型解释性文献来源：本文基于Chunze Yang, Qidong Liu等学者（西安交通大学计算机科学与技术学院、腾讯Jarvis实验室、剑桥大学）2026年发表的论文《PathNavigate: A Training-Free Pathology Agent with Surprise-Guided Scan and Shared Slide Memory for Whole-Slide Image VQA》整理与解读。

罗小罗同学

谷歌团队在Nat Med最新发表的医学多模态模型，4B参数的模型性能逼近671B的DeepSeek文献来源：Sellergren, A., Kazemzadeh, S., Mahvar, F. et al. An open vision-language model for diverse medical applications. Nature Medicine (2026). 研究团队来自 Google（Mountain View, CA, USA）及 Google via Advanced Clinical 等合作机构，通讯作者为 Andrew Sellergren、David F. Stein

各种卷积操作的介绍作者在读论文的时候，发现卷积操作的种类也是很丰富的，比如逐点卷积、深度卷积、可分离卷积等，碰到这些基础概念时不免还是有些陌生，下面就来一一学习一下。（内容可能不完全准确，还恳批评指正！）

论文解读-Shape-Scale Co-Awareness Network for 3DBrain Tumor Segmentation中文名：形状‑尺度协同感知网络：面向三维脑肿瘤分割（S²CA‑Net）（TMI 2024）论文代码链接：

论文解读-VISTA3D: A Unified Segmentation Foundation Model For 3D Medical Imaging论文代码链接：GitHub - Project-MONAI/VISTA: MONAI Versatile Imaging Segmentation and Annotation · GitHubMONAI Versatile Imaging Segmentation and Annotation - Project-MONAI/VISTA https://github.com/Project-MONAI/VISTA

罗小罗同学

Nat. Biomed. Eng最新发表的医学AI基础模型CLEAR，可以将诊断决策与临床概念一一匹配，不再是传统黑箱模型参考来源：本文核心内容基于发表于《Nature Biomedical Engineering》的研究论文：CLEAR: an auditable foundation model for radiology grounded in clinical concepts；研究团队来自宾夕法尼亚大学佩雷尔曼医学院、亚琛工业大学医院、慕尼黑工业大学等机构，通讯作者为Tianyu Han。

罗小罗同学

安德森癌症中心发表SCOPE IO模型，实现了对罕见肿瘤帕博利珠单抗疗效的精准预测，在患者早期即可预判药效文献来源：本文核心内容源自发表于《Journal for ImmunoTherapy of Cancer》的原创研究 Artificial intelligence-guided analysis of the tumor microenvironment predicts response to pembrolizumab in rare tumors，由美国德克萨斯大学MD安德森癌症中心Aung Naing团队联合韩国Lunit公司共同完成，临床试验注册号NCT02721732。

罗小罗同学

哈佛团队在Nat Med发表医学AI模型，可以在任务推理阶段实时调整推理方式，无需重新训练文献来源：Michelle M. Li, Ben Y. Reis, Adam Rodman, et al. Scaling medical AI across clinical contexts. Nature Medicine, 2026, 32: 439-448.研究团队来自哈佛大学医学院、波士顿儿童医院、Clalit研究所等全球顶尖医疗机构。

罗小罗同学

Nat Med发表SPARK智能体框架，可以自主思考、提出假设、设计实验并验证结果，让AI也能主动发现肿瘤生物学规律文献来源：本文基于2026-04-29发表在Nature Medicine上的论文《An agentic framework for autonomous scientific discovery in cancer pathology》，核心作者为Florian Trost、Bide Zhang和Yuri Tolkach，来自德国科隆大学等机构。论文所有代码、参数和结果均已公开，可在GitHub和Zenodo上获取。

罗小罗同学

首个病理AI领域的扩散基础模型CytoSyn开源，可生成高度逼真、符合生物学规律的H&E染色病理切片在精准医疗的时代，病理是癌症诊断的“金标准”，而AI是让这个金标准更精准、更普惠的核心工具。CytoSyn的出现，不是终点，而是一个全新的起点：未来，它或许能生成完整的全切片图像，能结合基因组、转录组数据生成对应的病理切片，能帮我们更早地发现癌症、更准确地判断预后，让每一个患者，都能享受到精准医疗带来的希望。

罗小罗同学

哈工大团队联合德累斯顿工业大学联合发布医学AI智能体综述，讲述计算病理如何从图像分类任务演变成自主诊段工作流一百多年前，显微镜的发明，让人类第一次看到了细胞层面的病变，开启了现代病理学的时代；而今天，计算病理智能体的出现，让AI第一次拥有了像人类病理医生一样的思考、探索、学习能力，正在开启数字病理的全新时代。

ISIC2018数据集训练框架讲解ISIC 2018 (International Skin Imaging Collaboration 2018) 数据集主要包含大量经过专业皮肤科医生标注的皮肤镜（dermoscopy）图像，涵盖了多种皮肤病变类型。在分割任务（Task 1）中，提供了约 2594 张图像及其对应的像素级标签，用于训练和验证算法对皮肤病变区域进行精确分割的性能。

罗小罗同学

使用病理诊断报告去逐步引导AI，模仿医生的分层诊断思维，突破病理切片模糊类别边界、细微形态差异识别上的瓶颈当病理医生面对一张包含数十亿像素的全切片病理图像（WSI）时，就像在茫茫沙漠中寻找特定沙粒——不仅要在海量组织细节中精准识别病变，还要区分形态相似的亚型、判断病变层级，稍有疏忽就可能影响诊断结果。

罗小罗同学

基于虚拟染色的病理切片进行癌症分类，准确率可达到95.9%，在统计学上逼近真实染色的金标准，两小时可处理100张切片这项发表于《Medical Image Analysis》的研究针对传统组织病理学中 H&E 染色耗时、不可逆且破坏样本完整性的痛点，提出了一种结合高通量数字切片扫描仪与深度学习的无标记虚拟染色及分类框架。

CNN和RNN结合提升分类效果首先利用3D CNN 对MRI进行分类操作数据:AD:73例 CN:102例 MRI-T1像 T1像便于显示解剖结构(T2像擅长显示病灶) 预处理:去除脑外(参数0.3) 网络结构: 共10层,包含 4个卷积层 4个池化层 2个全连接层

matlab使用FDR校正P值后，P值变小问题描述： matlab使用FDR校正P值后，P值反而变小。例如：运行后：解决办法：运行后：参考

ALFF常用频段常用频段：0.01~0.08Hz ,0.01~0.1Hzslow5频带：0.01~0.027Hzslow4频带：

利用wfu pickatlas保存脑区ROI搜索wfu pickatlas下载 https://www.nitrc.org/frs/download.php/10866/WFU_PickAtlas_3.zip/?i_agree=1&release_id=2885 解压至spm/toolbox下,用MATLAB导入路径输入>>wfu_pickatlas 打开软件软件界面: 选择AAL分区,再选择相应脑区(可多选) 在中间位置即可看到相应脑区mask(红色区域) 保存为mask:点击下方SAVE MASK按钮即可保存为nii格式的mask tips

影像分割公开数据集数据集：ISBI Neuronal Structure Segmentation Challenge 网址： https://www.nitrc.org/projects/ibsr https://www.nitrc.org/frs/multi-download.php/?i_agree=1&release_id=2309