2026年5月8日，ICASSP 2026 进入最后一天。
IVMSP 分会场围绕医学图像处理方向展开论文汇报。该分会场内容与 BISP 方向具有较强交叉性，既关注医学图像分析中的模型性能，也关注临床应用中的效率、鲁棒性和可部署性。
首先，SAMM 相关工作（论文标题：“SAMM: Segment Anything Mamba Model for General Medical Image Segmentation”）关注通用医学图像分割问题。尽管 Segment Anything Model（SAM）在自然图像中表现突出，但在医学图像中仍面临领域差异、标注稀缺以及不同模态噪声等挑战。该工作在保留 SAM 提示编码器和掩码解码器的基础上，引入状态空间模型编码器与轻量级 CNN 分支，并通过跨分支特征融合提升局部细节与全局信息的结合能力，从而增强模型在多类医学分割任务中的泛化表现。
随后，Direct Rician-domain Processing 相关工作聚焦 MRI 图像去噪与微结构保留问题。MRI 图像常受到 Rician 噪声影响，细微解剖结构容易被噪声掩盖。传统方法常通过变换近似高斯噪声进行处理，但可能导致噪声估计不准或高噪声区域过度平滑。该工作直接在 Rician 域中建模噪声，并结合噪声感知滤波与自适应锐化策略，在抑制噪声的同时尽量保留细节结构，为医学图像质量提升提供了新的处理思路。
DuoTracker 相关工作关注临床筛查中的眼动追踪问题。可靠的眼动信号获取可为抑郁症等临床研究提供非侵入式数字生物标志物。该工作提出一种多视角视频模型，用于医院环境下的屏幕二维注视点估计，并通过置信度路由机制在常规输入与遮挡、头部偏转等困难样本之间选择合适分支。该研究展示了计算机视觉方法在临床行为信号采集与数字健康评估中的应用潜力。
最后，Swin-DS 相关工作关注腔隙性脑梗死检测问题。腔隙性脑梗死病灶通常体积较小，且在形态上容易与相似结构混淆，因此自动检测面临较高难度。该工作提出结合深度监督与几何引导的 Transformer 框架，同时进行分割与距离图回归，并通过多尺度监督提升模型对小病灶的检测能力。该研究强调了医学影像任务中敏感性与假阳性控制之间的平衡。
可以看出，IVMSP 与 BISP 的交叉研究正在从单一医学图像任务扩展到更广泛的临床智能场景。无论是医学图像分割、配准、去噪，还是眼动追踪和病灶检测，相关工作都在尝试将视觉模型、状态空间模型、硬件加速和临床需求结合起来，推动医学人工智能向更可靠、更高效和更可用的方向发展。
闭幕典礼环节对本届会议的组织工作进行了总结，并向合作伙伴、志愿者、赞助商和会务团队表示感谢。大会还介绍了最佳论文奖等相关奖项情况，展示了本届会议在学术交流、组织服务和国际合作方面的成果。
ICASSP 2026 最后一天在专业分会场汇报与闭幕典礼中结束。本日内容进一步展示了信号处理、图像视频分析与医学人工智能之间的交叉融合，也为本次参会经历画上了完整句号。
