这项研究比较了基于MRI的帕金森病（PD）分类的深度学习架构，介绍了第一个三维（3D）卷积科尔莫戈洛夫-阿诺德网络（ConvKANs）的实现，这是一种新的方法，将卷积层与自适应的样条基础激活结合起来。我们使用三个开源数据集评估了卷积神经网络（CNNs）、ConvKANs和图卷积网络（GCNs），共有142名参与者（75名患有PD和67名年龄相匹配的健康对照组）。对于2D分析，我们从每个T1加权扫描中提取了100个以中脑为中心的轴向切片。对于3D分析，我们使用了整个体积扫描。ConvKANs将可学习的B样条函数与卷积层集成在一起。GCNs将MRI数据表示为图形，理论上可以捕捉传统方法可能忽略的结构关系。展示了可解释性可视化，包括第一个ConvKAN样条激活图和图形节点嵌入的投影。ConvKANs在各个数据集和维度上表现出很高的性能，其中一个数据集的2D AUROC最高（0.98），并且与CNN峰值3D性能（1.00）相匹配。CNN模型表现良好，而GCN模型在3D分析中有所改善，达到了最高0.97的AUROC。与所有模型的2D对应物相比，3D实现产生了更高的AUROC值。ConvKAN实现在PD分类的MRI分析中表现出很大的潜力，特别是在早期诊断的情况下。3D分析的改进突显了体积数据在捕捉微妙的PD相关变化方面的价值。虽然MRI目前不用于PD诊断，但这些发现表明其作为多模式诊断方法的一部分的潜力，特别是用于早期检测。

每天由地球观测（EO）卫星和机载传感器在不同国家生成大量的遥感数据。这些数据被用于自然灾害监测、全球气候变化、城市规划等不同应用。在遥感应用中使用这些大数据带来了许多挑战。近年来，机器学习（ML）和深度学习（DL）算法的应用使得这些数据的使用更加高效，但是管理、处理和有效利用这些数据的问题也随之增加，因为传统计算机已经达到了极限。本文强调了在处理大量遥感数据方面，使用量子计算技术的显著转变。提出了Quanv4EO模型，该模型引入了quanvolution方法来预处理多维EO数据。首先，通过对MNIST和Fashion MNIST数据集的图像分类任务展示了其有效性，随后展示了其在遥感图像分类和滤波方面的能力。关键发现表明，所提出的模型不仅在图像分类方面保持了高精度，而且在EO应用方面相比传统方法还有约5％的改进。此外，该提出的框架具有较小的参数大小和无需训练量子核心的特点，使其能够更好地扩展处理海量数据集。这些进展突显了量子计算在解决遥感应用中传统算法的局限性方面的巨大潜力，为图像数据分类和分析提供了更加高效和有效的替代方案。

近年来，大型视觉语言模型（LVLMs）在多模态任务中表现出令人印象深刻的性能和有前途的泛化能力，因此在各种应用场景中取代了人类作为视觉信息接收者。本文首创提出了一个可变比特率图像压缩框架，由预编辑模块和端到端编解码器组成，以实现不同LVLMs的有前途的速率-精度性能。特别地，我们提出了一种新的优化策略，专为LVLMs量身定制，而不是针对特定任务或几个代表性任务来优化自适应预编辑网络，该策略是基于令牌级畸变和等级的表示和区分能力设计的。预编辑模块和可变比特率端到端图像编解码器通过基于大型模型语义标记的损失联合训练，为各种数据和任务引入了增强的泛化能力。{实验结果表明，与最先进的编码标准Versatile Video Coding相比，所提出的框架可以有效地实现更好的速率-精度性能。}同时，多模态任务的实验揭示了所提出的框架的鲁棒性和泛化能力。

手腕骨折在儿童中高度普遍，可能会对他们的日常活动产生重大影响，如上学、参加体育活动和完成基本的自我照顾任务。如果未得到适当治疗，这些骨折可能导致慢性疼痛、手腕功能下降和其他长期并发症。最近，物体检测技术的进步显示出在增强骨折检测方面的潜力，系统的准确度可以达到甚至超过人类放射科医师的水平。特别是YOLO系列在这个领域已经取得了显著的成功。本研究是第一个对各种YOLOv10变体进行彻底评估，以评估它们在使用GRAZPEDWRI-DX数据集检测儿童手腕骨折方面的性能。研究了模型复杂度的变化、架构的缩放和实施双标签分配策略如何增强检测性能。实验结果表明，我们训练的模型在该数据集上实现了平均精度（mAP@50-95）为51.9\%，超过了当前YOLOv9基准43.3\%。这代表了8.6\%的改进。实现代码可以在https://github.com/ammarlodhi255/YOLOv10-Fracture-Detection上公开获取。

将基于神经网络的系统整合到临床实践中的难题在于领域泛化和鲁棒性。计算机视觉社区建立了ImageNet-C等基准，作为衡量在这些挑战方面取得进展的基本前提。医学影像社区中类似的数据集很少，缺乏跨影像模态和应用的综合基准。为了填补这一空白，我们创建并开源了MedMNIST-C，这是一个基于MedMNIST+数据集的基准数据集，涵盖12个数据集和9种成像模态。我们模拟不同严重程度的任务和模态特定的图像破坏，全面评估已建立算法对真实世界工件和分布变化的鲁棒性。我们进一步提供定量证据，表明我们简单易用的人工破坏可以实现高性能、轻量级的数据增强，以增强模型的鲁棒性。与传统的通用增强策略不同，我们的方法利用领域知识，在与广泛采用的方法相比时表现出明显更高的鲁棒性。通过介绍MedMNIST-C并开源相应的库以实现有针对性的数据增强，我们为针对医学影像挑战的越来越鲁棒的方法的发展做出了贡献。代码可在https://github.com/francescodisalvo05/medmnistc-api上找到。

面部超分辨率/幻觉是一个重要的研究领域，旨在增强低分辨率面部图像以用于各种应用。虽然生成对抗网络（GAN）在这个领域表现出了很好的潜力，但它们适应新的、未见过的数据的能力仍然是一个挑战。本文提出了一种使用知识蒸馏的GAN的增量超分辨率（ISR-KD）方法，用于面部到卡通的转换，以解决这个问题。以往在这个领域的研究没有研究增量学习，而增量学习对于不断产生新数据的实际应用至关重要。所提出的ISR-KD旨在开发一个新的统一框架，用于面部超分辨率，可以处理不同的设置，包括不同类型的面部，如卡通面部和不同的细节级别。为了实现这一点，一个基于GAN的超分辨率网络在CelebA数据集上进行了预训练，然后在iCartoonFace数据集上进行了增量训练，使用知识蒸馏来保持在CelebA测试集上的性能，同时提高在iCartoonFace测试集上的性能。我们的实验证明了知识蒸馏在增量添加卡通面部超分辨率模型能力的同时，保留了GAN中面部幻觉任务的学习知识的有效性。