2026.1.14本研究提出了DeepResBat，一种新型的深度学习批次效应协调方法，通过显式处理协变量分布差异来有效去除数据集中不必要的变异，同时增强生物学效应，并在多项评估中优于传统和现有深度学习方法，且避免了虚假关联。Title题目01DeepResBat: Deep residual batch harmonization accounting for covariate distrib

CLAT将视网膜病灶视为概念，使模型决策与临床相关的病灶特征对齐。考虑到监督学习通常聚焦于最具区分性的特征，却牺牲了人类认知中固有的语义关联，我们的方法进一步利用视网膜基础模型[26]突破了这一局限：我们整合图像级病灶标注用于初始特征学习，并提出一种新型的知识引导增强策略，使这些特征与从视网膜基础模型中提取的医学领域知识对齐，确保模型对病灶的理解与人类专家的认知一致。在四个眼底图像数据集上开展的实

Title题目Style mixup enhanced disentanglement learning for unsupervised domain adaptation in medical image segmentation风格混合增强的解纠缠学习在医学图像分割的无监督域自适应中的应用 01文献速递介绍随着深度学习的显著发展，其在医学图像分割领域已展现出令人瞩目的性能。这一成功在很大程度

Title题目Learnable color space conversion and fusion for stain normalization in pathology image用于病理图像中染色归一化的可学习色彩空间转换与融合01文献速递介绍数字病理学自本世纪初兴起以来，在病理标本检查方面带来了根本性的变革。这种转变借助计算机辅助，使得在分类、分割和特征提取等定量病理任务中能够采用更为精

Title题目2D echocardiography video to 3D heart shape reconstruction for clinicalapplication2D 超声心动图视频到 3D 心脏形状重建的临床应用01文献速递介绍超声心动图是心血管医学中一种至关重要且广泛应用的影像学技术，利用超声波技术捕捉心脏及其周围结构的高分辨率图像。由于其低成本、快速采集时间以及高空间和时间分

(2)分割结果的可靠性不足。ICGNet的表现非常好，但它只给出预测结果，而不告诉我们结果的确定性如何（见图1-(a)中的a1，黄色的反向钩表示低不确定性，结果准确可靠，而黄色的问号表示高不确定性，结果不准确）。结直肠癌（CRC）是男性中第三大最常见的恶性肿瘤，女性中第二大最常见的恶性肿瘤，2020年全球病例数接近100万例，占全球癌症死亡总数的9.4%（Sung等人，(2021). 约85%的结

深度学习在医学图像重建中的应用已得到广泛关注，其中卷积神经网络（CNN）和视觉变换器（ViT）是主要的技术范式，各自具有独特的优势和固有的局限性：CNN具有线性复杂度和局部敏感性，而ViT则表现出二次复杂度和全局敏感性。我们对多个代表性的医学图像重建任务进行了全面实验，结果表明，所提出的MambaMIR和MambaMIR-GAN在不同的重建任务中优于其他基准和最先进方法，其中MambaMIR实现了

然而，这种处理通常是在单一尺度（例如，20×放大倍数）下进行的，忽视了跨尺度信息，而这种信息对病理医生的诊断至关重要。右侧面板中的箱线图展示了不同尺度下的注意力分数分布，证明了跨尺度注意力机制在多个尺度上提供分数的可靠性，并展示了其定位特定尺度知识的能力。此外，右侧面板中的箱线图展示了不同尺度下的注意力分数分布，验证了跨尺度注意力机制在生成多尺度分数方面的可靠性。b. 我们的解决方案通过跨尺度注意

在BraTS基准测试上的实验表明，与其他最先进的方法和基线模型相比，所提出的方法在分割所需的脑肿瘤区域方面表现出色，同时计算成本相对较低。相比之下，我们提出的TSBTS网络探索了两个重要的任务结构，即任务-任务结构和任务-模态结构，来实施多模态脑肿瘤分割任务，这种方式将多个（子）任务的预测制定为条件依赖方式，并为每个特定的（子）任务引入了模态感知特征加权机制。每列中间报告的分数是预测肿瘤区域的Di

有个坑值得提前避开：把所有b值（比如 0/50/200/800/2000）一股脑喂给张量模型算FA/ADC，高b值的非高斯衰减会把结果系统性带偏。DIPY（Python）灵活性最高，TensorModel 出 FA/MD/AD/RD，DiffusionKurtosisModel 出 MK/AK/RK，IvimModel 出 D/D*/f，还有自由水校正和 MSDKI。DSI Studio 图形界面