M-Net：将谱特征与物理场算子融入深度学习的医学图像分割
M-Net: Integrating Spectral Features and Physical Field Operators into Deep Learning for Medical Image Segmentation
把矩阵条件数与散度/旋度算子当归纳偏置注入 U-Net，三个基准数据集上显著涨点。
arXiv:2608.12196 · 2026年8月12日（v1） · 机构未标注
预测函数而非特征：面向医学图像分割的 KAN 函数空间联合嵌入预测学习（FS-JEPA）
Predicting Functions, Not Features: KANs with Function-Space Joint-Embedding Predictive Learning for Medical Image Segmentation
把自监督预测学习搬进 KAN 的“边函数空间”，让每条边函数在聚合前就有学习目标。
arXiv:2608.12050 · 2026年8月12日（v1） · 机构未标注
KANResDiff：用 Kolmogorov-Arnold 网络学习局部残差扩散的模糊医学图像分割
KANResDiff: Learning Local Residual Diffusion via Kolmogorov-Arnold Network for Ambiguous Medical Image Segmentation
给模糊分割的扩散模型装上“样条时间编码+残差薛定谔桥”，让各阶段随机性张弛有度。
arXiv:2608.11617 · 2026年8月12日（v1） · 机构未标注
DD-CMD：面向临床文本引导医学图像分割的双域跨模态解码
Dual-Domain Cross-Modal Decoding for Clinical Text-Guided Medical Image Segmentation
解码时既做“空间对齐”又做“频谱校准”，让临床文本同时告诉模型看哪里、怎么调通道。
arXiv:2608.11335 · 2026年8月11日（v1） · 机构未标注
CDGC-Net：协同双尺度自注意力与分组通道建模的 3D 医学图像分割
CDGC-Net: 3D Medical Image Segmentation with Cooperative Dual-Scale Self-Attention and Grouped Channel Modeling
把全局稀疏与局部窗口注意力放进同一模块，再让空间信息引导通道重校准，精度高还省算力。
arXiv:2608.08575 · 2026年8月9日（v1） · 机构未标注
H2AL：面向基于配准的少样本医学图像分割的双曲层次感知聚合学习
H2AL: Hyperbolic Hierarchy-aware Aggregative Learning for Registration-based Few-shot Medical Image Segmentation
用双曲空间的“指数膨胀”几何刻画解剖层次，让少样本分割的伪标签更可靠、小结构更清晰。
arXiv:2608.07340 · 2026年8月7日（v1） · 机构未标注
Curia-MAE：面向 3D 医学图像分割的多模态多解剖部位 MAE 预训练
Curia-MAE: Multi-Modal Multi-Anatomy MAE Pre-Training for 3D Medical Image Segmentation
用 30 万张 CT/MRI 训练一个冻结即用的医学分割编码器，病灶任务上超越强基线。
arXiv:2608.05844 · 2026年8月6日（v1） · 机构未标注
DistMedVL：面向不确定性感知医学图像分割的分布化视觉-语言对齐
DistMedVL: Distributional Vision-Language Alignment for Uncertainty-Aware Medical Image Segmentation
把跨模态匹配从“点对点”升级为“分布对分布”，显式建模并抑制不确定性，仅 6.3M 可训练参数。
arXiv:2608.05683 · 2026年8月6日（v1） · 机构未标注
EasyBCI Agent：迈向通用神经数据预处理的脑机接口大模型代理
EasyBCI Agent: Towards Universal Neural Data Preprocessing for Brain-Computer Interfaces
用“规划+执行”双阶段 LLM 智能体自动完成六类神经信号的预处理，数据指纹保护原始数据。
arXiv:2607.29007 · 2026年7月31日（v1） · 机构未标注
量化脑机接口事件相关（去）同步变异性：一个统一且可解释的框架
Quantifying Event-Related (De)Synchronization Variability for Brain-Computer Interface: A Unified and Interpretable Framework
用“特征围绕质心的离散度”统一量化时间/空间/频率三种变异性，发现越低变异性性能越好。
arXiv:2607.21119 · 2026年7月23日（v1） · 机构未标注
更多电极=更快思维?重新审视脑机接口的「带宽」
More Electrodes, Faster Minds? Rethinking Bandwidth in Brain-Computer Interfaces
这篇 Perspective 追问「有意义的人机 I/O 增益如何随接口容量扩展」:区分带宽、可解码神经状态、神经状态与个人能使用/确认/表达的信息,论证扩展关系很可能是非线性的——高容量接口有真实增益,但极端提升会遇到来自具身性、学习与主体表达的约束。
arXiv:2607.24820 · 2026年7月17日发布 · 机构未标注
Dendrite:一个面向在线脑机接口研发的实时 Python 应用
Dendrite: A Real-Time Python Application for Online Brain-Computer Interface Research and Development
Dendrite 是一个实时 BCI 应用:以各自原生采样率同时记录多路生理信号、在线训练与更新解码器、实时推理,并把实验范式隔离在网络外的独立程序中——全程可追溯、可复现,开源 GPL-3.0。
arXiv:2607.14655 · 2026年7月16日发布 · 机构未标注
一个「教育型」脑机接口:用脑电信号定制每个学生的学习路径
An Educative Brain-Computer Interface
提出 BCI 在教育中的应用新方向:根据学生脑电信号判断所学信息的清晰程度,系统据此为每个用户定制最优交互方式——反馈个性化带来学习效果提升,这一方向此前未见报道。
arXiv:1003.2660 · 2010年3月13日发布 · 机构未标注
脑机接口控制的机器人步行矫形器:截瘫患者重新「脑控行走」
Brain-Computer Interface Controlled Robotic Gait Orthosis
一名健全受试者与一名 SCI 截瘫受试者用「静止-行走」运动想象驱动 EEG 预测模型,在线控制悬挂式机器人步行矫形器 RoGO 完成提示行走任务——离线准确率平均 86.3%,提示与行走的互相关平均 0.812,首次实现 SCI 截瘫患者重新获得基本的脑控行走。
arXiv:1208.5024 · 2012年8月24日发布 · 加州大学
迈向「免分割」的医学影像直接分析:直接瞄准临床目标
Towards Direct Medical Image Analysis without Segmentation
直接方法正成为医学影像自动分析的高效工具:跳过分割、配准、跟踪等中间步骤,直接瞄准最终临床目标——避免用户输入与初始化,并把逆问题等传统难题重构为可高效求解的形式。
arXiv:1510.06375 · 2015年10月21日发布 · 机构未标注
MedVision：医学图像定量分析的基准测试（大规模数据集 + 评测平台）
MedVision: Benchmarking Quantitative Medical Image Analysis
给医学大模型立一把「定量尺」：汇集 22 个公开数据集、3080 万图像-标注对，专门评测和训练模型「量肿瘤、测角度、算距离」的能力。
arXiv:2511.18676 · 2025年11月24日（v1） · 机构未标注
深度学习用于医学图像分析（博士培养研究报告）
Deep Learning for Medical Image Analysis
一份博士培养报告：用深度学习对脑部 MRI 病灶做「分类—定位—分割」三件套，为又快又准的计算机辅助诊断打基础。
arXiv:1708.08987 · 2017年8月17日（v1） · 机构未标注
CrypTFlow：用安全多方计算（MPC）保护医学图像分析
Secure Medical Image Analysis with CrypTFlow
让不懂密码学的数据科学家「一键」把 TensorFlow 模型变成安全多方计算协议，首次实现 3D 医学影像的安全分割推理。
arXiv:2012.05064 · 2020年12月9日（v1） · 机构未标注
医学影像分析中的因果迁移（学习）
Causal Transfer in Medical Image Analysis
把「因果推断」装进「迁移学习」：不学数据集的伪相关，而学跨医院、跨设备都稳定的因果机制，让医学影像 AI 更可靠。
arXiv:2603.24388 · 2026年3月25日（v1） · 机构未标注
现代凸优化在医学图像分析中的应用
Modern Convex Optimization to Medical Image Analysis
把医学图像分析的两大核心问题——分割与配准——统一写成「凸函数项有限和」的优化模型，用原-对偶与一阶算法在大体量 3D/4D 影像上稳健求解。
arXiv:1809.08734 · 2018年9月24日（v1） · 西安电子科技大学、西安大略大学