本研究提出DeepMTS模型，通过多任务学习联合预测晚期鼻咽癌患者的生存期和肿瘤分割。模型采用硬共享分割骨干网络减少背景干扰，并结合级联生存网络捕捉原发灶外的预后信息。实验表明，DeepMTS在PET/CT影像上优于传统影像组学和现有深度生存模型，为临床预后评估提供了端到端解决方案。

肿瘤内科医生评估癌症患者的生存情况时，依赖多模态数据开展分析。临床基操尽管已有多模态深度学习方法被提出，但这类方法大多依赖两个或以上独立网络，仅在模型后期阶段进行知识共享。而肿瘤内科医生的临床分析过程与此不同，他们会在大脑中融合医学影像、患者病史等多源信息。现有不足本研究提出一种深度学习方法，旨在模拟肿瘤内科医生量化癌症特征、预估患者生存期的分析逻辑。2022年正是Transformer最火的时候

世界模型综述：理解世界还是预测未来！

Labelme：链接：https://pan.baidu.com/s/1pnBmEf8Edz7F73Rl2pN-yQ提取码：wc4gLabelImg：链接：https://pan.baidu.com/s/1GBhTBmnKAgzwPiTBZ03XTA提取码：la2j

一、代理网址示例：原网址：https://github.com/Beckschen/TransUNet修改网址：https://github.com.cnpmjs.org/Beckschen/TransUNet二、修改hosts1、Win+X 打开Windows PowerShell(管理员)2、命令：notepad3、记事本/文件/打开，C:/Windows/System32/drivers/e

本文提出了一种创新的离散扩散分类建模（DiDiCM）方法，用于解决高不确定性条件下的图像分类挑战。传统分类器在数据受损或训练样本有限时性能下降明显，而DiDiCM通过扩散过程直接建模类别标签的后验分布，显著提升了分类鲁棒性。该方法设计了连续时间马尔可夫链来描述类别概率的演化，支持两种高效的反向扩散策略，在计算成本与内存占用之间实现灵活权衡。实验表明，在ImageNet数据集上，DiDiCM仅需少量

本文介绍了CoLa-Diff，首个基于潜在扩散模型（LDM）的多模态MRI合成方法。该方法旨在解决临床实践中MRI模态缺失的问题，通过在多模态MRI输入中平衡多种条件，有效利用多模态信息。CoLa-Diff在潜在空间中运行，降低了内存消耗，并引入了相似协同滤波和脑区掩模作为先验信息，以保持解剖结构。此外，提出了自动权重适应方法，以优化多模态信息的利用。实验结果表明，CoLa-Diff在MRI合成任

本文提出MRI CEKWorld模型，首次将世界模型应用于MRI无造影剂动态成像。针对MRI数据时间分辨率低导致的生成内容失真和时间不连续问题，创新性地设计了时空一致性学习框架：通过潜在对齐学习（LAL）构建患者级模板约束解剖结构一致性，利用潜在差异学习（LDL）在潜在空间插值并施加平滑约束。实验证明该方法能生成更真实的动态增强序列，为无创MRI功能成像提供了新思路。

《扩散模型原理：从起源到发展》：第三章 基于分数的视角：从 EBMs 到 NCSN

本文构建了 Med-MIM 指令数据集，该数据集包含 83.2K 对医疗多图像 QA 数据，涵盖了四种类型的多图像视觉能力：时间理解、推理、比较与共指能力。利用该数据集，本文对 Mantis 和 LLaVA-Med 进行了微调，从而得到了两个专门用于多图像分析的医疗 VLVM：MIM-LLaVA-Med 与 Med-Mantis。此外，本文开发了 Med-MIM 基准测试套件，以全面评估 LVLM