医学生

EvoMDT：用于多癌种结构化临床决策的自进化多智能体系统文献速递/医学智能体前沿2026.7.22本文提出EvoMDT，以角色分工、证据检索、共识协调和自进化机制模拟肿瘤MDT，在多癌种临床决策中提升可追溯性、效率和安全性。

用于肝细胞癌个体化临床决策的多模态大语言模型智能体框架文献速递/医学智能体前沿2026.7.17本文融合MRI影像组学、改进GhostNet病理标志物预测与LLM智能体，为肝细胞癌患者生成并评估个体化治疗建议。

通过渐进式域变换实现组织分类的无监督单域泛化文献速递/基于多模态的医学影像分割与理解2026.7.14本文提出USD-PG，用渐进式染色风格和空间变换进行无监督预训练，提升病理组织分类模型对未知扫描仪和数据源的单域泛化能力。

基于扩散模型的超声计算机断层成像实现肌肉骨骼组织高保真三维重建文献速递/基于多模态的医学影像分割与理解2026.7.10本文提出DiffUCT，用注意力增强RF到声速初估与条件扩散细化，实现肌肉骨骼超声CT的快速高保真三维重建。

PTCMIL：基于提示 token 聚类的全切片图像多实例学习分析文献速递/多模态医学影像最新进展2026.6.16本文提出 PTCMIL，在 ViT 中用可学习提示 token 进行端到端、任务感知的切片内聚类与原型聚合，提升 WSI 分类、生存预测和跨域适应性能。

HOI-Brain：从fMRI中准确提取带符号高阶交互用于脑疾病诊断的多通道2026.6.10本文提出HOI-Brain，用MTD提取fMRI中带符号四元高阶交互，并结合持久同调与多通道Transformer提升AD、PD和ASD诊断。

SparseXMIL: 利用稀疏卷积实现数字病理学全玻片图像上下文感知和内存高效分类/文献速递-多模态医学影像最新进展2026.4.15本研究提出SparseXceptionMIL (SparseXMIL)，一种结合稀疏卷积与Xception架构的新型多实例学习模型，通过高效利用稀疏图像表示和多尺度空间交互，显著提升了全玻片图像（WSI）分类的GPU内存效率和预测性能，尤其在需要空间上下文的任务中表现优异，并具有良好的可解释性。

临床先验引导的特权知识蒸馏用于可靠的胰腺病变分类/文献速递-多模态医学影像最新进展2026.4.10本文提出了CPKD框架，通过整合临床先验和MRI特权知识，以知识蒸馏方式提高CT单模态胰腺病变分类的可靠性，尤其对小型或等密度病变表现出显著优势，为临床诊断提供了更具解释性和可行性的解决方案。

AMA-SAM：用于高保真组织学细胞核分割的对抗性多域对齐万物分割模型/文献速递-多模态医学影像最新进展2026.4.8本文提出了AMA-SAM框架，通过引入条件梯度反转层（CGRL）实现鲁棒的多域对齐，并设计高分辨率解码器（HR-Decoder）以保留精细细节，从而增强了万物分割模型（SAM）在高分辨率组织学细胞核分割中的性能，有效解决了单数据集训练的过拟合问题及SAM固有的低分辨率输出限制。

ACE-ProtoNet: 基于自适应协方差特征门和不确定性感知原型学习的冠状动脉分割/文献速递-多模态医学影像最新进展2026.4.3本文提出ACE-ProtoNet，一个统一的冠状动脉分割框架，通过结合部分冻结的视觉基础模型和可训练的CNN双编码器、基于协方差和特征值分析的自适应特征门（ACE-Gate）以及不确定性感知原型学习头（UPL-Head），有效整合异构特征并利用预测不确定性，实现了对复杂血管结构的高精度、鲁棒性及泛化能力强的分割。

一种病理学内容感知变速率学习图像压缩框架 (PathoLIC)/文献速递-多模态应用技术2026.3.27PathoLIC是一种针对全玻片图像（WSI）的内容感知变速率学习压缩框架，通过为图像块分配内容分数并利用注意力机制减少冗余，实现了8倍以上的压缩率，同时在多种下游诊断任务中保持了图像细节和性能。

基于几何映射的二维自然图像到四维fMRI脑图像的迁移学习/文献速递-大模型与图像分割在医疗影像中应用2026.3.13本研究提出了一种基于几何映射的fMRI迁移学习方法，通过将四维fMRI脑皮层数据转换为二维图像，并结合多尺度多域特征聚合（MMFA）模块，有效解决了fMRI小样本数据深度学习的挑战，并在性别分类、年龄估计、行为测量预测和抑郁症诊断等任务中取得了最先进的性能。

敲代码还房贷

FSL6.0.7安装教程我这个是基于ubuntu20虚拟机测试的，所以你也最好用ubuntu20。我也在其余版本上测试了，ubuntu24上虽说可以打开fsl的所有窗口，但是会有一些错误输出，影响观感。

敲代码还房贷

Ubuntu24安装xcp_d一、安装ants1、解压缩2、在配置文件编辑3、输入测试语句二、安装ANFI安装过程时间比较长终于结束了

AtlasMorph：学习脑部MRI的条件可变形模板/文献速递-基于深度学习的图像配准与疾病诊断2026.2.25本文提出了AtlasMorph框架，利用卷积配准神经网络学习生成基于年龄、性别等个体属性的条件可变形模板及其解剖标签图，显著提高了配准精度，并能更准确地捕捉脑部MRI的群体趋势。

解剖学引导的全身PET-CT乳腺癌分割与跨模态自对齐/文献速递-基于深度学习的图像配准与疾病诊断2026.2.13该研究提出一种结合解剖学引导提示和跨模态自对齐预训练的全身PET-CT乳腺癌分割框架，通过生成器官伪标签和特征对齐，显著提升了原发性和转移性病灶的分割精度，优于现有多种SOTA方法，尤其在小而分散的转移性病变分割上表现出色。

Transformer能否改变胃肠道内窥镜图像分析？CNN与Transformer在性能、鲁棒性和泛化能力方面的比较分析/文献速递2026.2.9本文全面比较了CNN和Transformer在胃肠道内窥镜图像分析中的性能、泛化和鲁棒性，涵盖多种任务和训练规模。研究发现，Transformer在多数场景下与CNN表现相当，尤其在处理细微病变、息肉分割和血管发育不良检测中表现良好，证实了其作为内窥镜临床实践替代方案的可行性。

双胎输血综合征胎儿镜激光手术中胎盘血管的实时分割/文献速递-基于人工智能的医学影像技术2026.2.10本研究提出了TTTSNet，一种为双胎输血综合征胎儿镜激光手术设计的实时、高精度的胎盘血管分割网络，通过引入新颖的通道注意力模块和多尺度特征融合机制，并结合创新的数据增强技术，显著提升了分割性能和泛化能力，为临床实践中的辅助决策提供了有力工具。

SafeRPlan: 用于椎弓根螺钉置入术中规划的安全深度强化学习/文献速递-基于人工智能的医学影像技术2026.2.3本研究提出SafeRPlan，一种结合不确定性感知距离安全过滤器、领域随机化和教师-学生学习的深度强化学习方法，用于实现椎弓根螺钉置入术的术中连续路径规划，显著提升了手术安全性和在部分、噪声数据下的泛化能力，优于传统配准方法。

肌肉骨骼感知（MUSA）深度学习用于解剖引导的头颈部CT可变形图像配准/文献速递-基于人工智能的医学影像技术2026.2.2本文提出一种肌肉骨骼感知（MUSA）深度学习框架，通过将头颈部CT图像配准分解为姿态校正和残余精细形变，并利用骨骼结构和软组织间不均匀形变约束，有效提升了复杂头颈部区域图像配准的准确性和解剖学合理性，兼容多种网络架构，适用于主体内和主体间配准任务。