解码生物医学图像分析的未来：多模态联合分割、检测和识别的基础模型 背景介绍 在生物医学研究中，图像分析已成为推动生物医学发现的重要工具，能够跨越从亚细胞器到器官层面的多尺度研究。然而，传统的生物医学图像分析方法大多将分割（segmentation）、检测（detection）和识别（recognition）作为独立的任务分别处理，这种割裂式的方法不仅限制了任务间交互的信息共享，也增加了处理复杂多样的生物医学图像数据的难度。 例如，传统的分割方法通常依赖人工指定的边界框（bounding box）来标注感兴趣目标的区域，这对形状不规则或数量庞大的目标（如病理全片图像中的所有细胞）来说是具有挑战性的。此外，忽略目标检测和语义识别（metadata-like semantic informatio...

使用模型投影的联邦学习进行多中心疾病诊断 背景介绍 随着医学影像技术的快速发展，基于自动化诊断方法的研究在单中心数据集上表现出良好的性能。然而，这些方法在实际应用中往往难以泛化到其他医疗机构的数据。主要原因是这些方法通常假设不同医疗中心的数据是独立同分布（IID）的，而实际上不同中心由于使用不同的扫描仪和成像参数，导致数据分布非独立同分布（Non-IID）。此外，不同中心诊断的患者数量和种类也存在较大差异。因此，多中心的数据具有异质性，无法通过集中化学习（Centralized Learning）有效解决这一问题。 近年来，联邦学习（Federated Learning，FL）作为一种去中心化框架，为多中心协同训练全球模型提供了可能，同时还保留了各中心患者数据的隐私。然而，Non-IID数据...