时间:2026年11月22日(周日) 09:00
地点:望江校区基础教学楼B座318实验室
分享者:杨阳 杨光
Part 1
分享者:杨阳
分享内容:
Wang T, Qi Y, Wang S, et al. Cmsa-net: Causal multi-scale aggregation with adaptive multi-source reference for video polyp segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham: Springer Nature Switzerland, 2026: 35-46.
论文简介:
视频息肉分割(VPS)是计算机辅助结肠镜检查中的一项重要任务,能够帮助医生在检查过程中精准定位并追踪息肉。然而,视频息肉分割任务仍存在不小挑战:息肉外观常与周围黏膜十分相近,导致语义区分难度大;此外,息肉在视频帧间的位置和尺度变化幅度大,难以实现稳定、精准的分割。针对上述难题,本文提出一种鲁棒的视频息肉分割框架 ——CMSA-Net。该网络引入因果多尺度聚合(CMA)模块,可在不同尺度下有效聚合多帧历史图像的语义信息。借助因果注意力机制,CMA 保证时序特征传播严格遵循时间顺序,有助于抑制噪声、提升特征可靠性。同时,本文设计了动态多源参考(DMR)策略:该策略依据语义可分性与预测置信度,自适应挑选信息丰富、结果可靠的参考帧。该策略能够提供强有力的多帧引导,同时保证模型推理高效,满足实时性要求。在 SUN-SEG 数据集上开展的大量实验表明,CMSA-Net 取得了当前最优性能,在分割精度与临床实时可用性之间实现了良好平衡。

Part 2
分享者:杨光
分享内容:
Wang, P., Chen, C., Tang, Z., Wu, Y., Wang, L., Yu, F., & Li, K. (2026). Human-Guided Causal Knowledge Injection for Virtual Cells. arXiv e-prints (arXiv:2608.08430). https://doi.org/10.48550/arXiv.2608.08430
论文简介:
虚拟细胞利用机器学习模型来模拟和预测细胞行为,为研究健康与疾病提供了关键的计算框架。将因果图注入虚拟细胞可提高其可解释性,但在现实应用中,此类图通常难以获取。近年来,已有多种方法提出从数据中构建因果图,通过基因之间的相似性将其分组形成概念,并提取其因果关系。然而,由于该自动过程缺乏监督,因果图通常存在错误。本文提出一种基于人工引导的因果知识注入方法用于虚拟细胞。本文开发了一种结合混合优化算法的基因相似性感知型因果图可视化工具,帮助探索概念间的因果关系以及基因之间的相似性。基于这些探索结果,本文进一步开发了支持反事实可视化和因果路径可视化的反事实分析策略,以辅助验证和优化因果图。本文的方法的有效性通过两个真实案例研究得到验证,这些案例揭示了具有科学意义的因果关系,并获得了领域专家的积极反馈。
