最后，在融合阶段，模型先拼接并映射两种模态的共享特征形成统一共享表征，再与WLI特有特征和NBI特有特征经过非线性变换后相加，得到融合特征并送入分割解码器生成病灶掩膜。该图清晰体现了论文的核心机制：先对齐，再解耦，最后融合。结果显示，前两类方法的IoU均约为0.36，Dice约为0.48至0.49，而本文方法达到约0.64的IoU和约0.74的Dice，说明简单套用2D像素融合或3D分割模块并不能

2026.6.11本文提出MLHuB，通过记忆单元、正交投影和互信息最大化提升脑信号到未知视觉类别的多模态解码能力。Title题目01类人脑记忆的脑、视觉与语言多模态特征解码框架Memory like the human brain: A framework for decoding multimodal learning of brain-visual-linguistic features 文

02引言首先指出，fMRI可通过BOLD信号刻画脑区之间的功能连接，是寻找AD、PD、ASD等脑疾病影像标志物的重要工具。现有脑网络学习方法多将ROI视为节点、功能连接视为边，GNN和Transformer等模型主要学习两两连接或全局两两依赖；超图模型虽然试图表达群组关系，但常依赖k近邻或k跳邻域构造，未必等价于真实的同时群体共波动，解释性也较弱。持久同调方法能提取拓扑结构，但多数工作集中在连通分

Title题目Learning multi-modal representations by watching hundreds of surgical video lectures通过观看数百个外科手术视频课程来学习多模态表征01文献速递介绍近年来，外科计算机视觉领域的进展已开始为手术室（OR）的新一代人工智能辅助支持系统铺平道路（Maier-Hein 等，2017，2022；Ward 等，20

j 平均比例（x轴）显示每个单细胞RNA测序数据中的单一细胞类型在由cNMF模块分类的点中的分布（y轴）。e，f 从原位 RNA 杂交获得的基因表达信号的真实情况与在匹配的组织学切片中预测的各个细胞类型的概率分数的对齐。i 热图显示了从我们的图像预测得到的转录亚型比例与通过批量 RNA 测序解析估计的比例之间的皮尔逊相关系数的一致性（n = 166 名患者）。f-h 转录亚型分布的统计分析：(f)

Title题目Organ-level instance segmentation enables continuous time-space-spectrumanalysis of pre-clinical abdominal photoacoustic tomography images器官层面的实例分割能够实现对临床前腹部光声断层扫描图像的连续时空光谱分析。01文献速递介绍光声断层扫描（PAT

为防止在连续临床任务（如临床背景总结、放射治疗策略建议和基于计划的靶区分割）中出现潜在的误差累积，我们探索了噪声增强和一致性方法，并提出了新颖的训练方法（如 CEFTune、NESEG 和 CESEG），显著增强了方法的稳健性。考虑到每项任务的预期目标存在细微差异，我们采用单独的训练策略来获取特定任务的专业知识，即RO-LMM-S（总结专家）和RO-LMM-P（计划专家）。该模型借助大型多模态模型

Title题目PARADISE: Personalized and regional adaptation for HIE diseaseidentification and segmentationPARADISE：用于新生儿缺氧缺血性脑病（HIE）疾病识别与分割的个性化和区域适应性方法1文献速递介绍缺氧缺血性脑病（HIE）是一种影响约千分之一到千分之五足月新生儿的脑功能障碍疾病（格雷厄姆等人，

Title题目Joint coil sensitivity and motion correction in parallel MRI with aself-calibrating score-based diffusion model基于自校准分数的扩散模型在并行磁共振成像中联合进行线圈灵敏度校正和运动校正01文献速递介绍磁共振成像（MRI）在临床诊断和基础研究领域均是处于领先地位的成像方式。然

Title题目Imaging the structural connectome with hybrid MRI-microscopy tractography利用混合磁共振成像 - 显微镜纤维束成像技术描绘结构连接组01文献速递介绍通过多种模态绘制大脑结构能够增进我们对大脑功能、发育、衰老以及疾病的理解（汉森等人，2022；史密斯等人，2020；斯波恩斯，2013）。人们付出了很多努力，运用从磁