近日，从国际学术会议传来喜讯：由我院师生团队完成的学术论文《CMMG-UNet: Semantic-Driven Lesion Segmentation in Chest Images with Clustered Memory Bank and Multi-Granularity Fusion》被 2026 年 IEEE 国际生物信息学与生物医学会议（IEEE BIBM 2026）正式录用为短论文（Short Paper）。
IEEE BIBM 是生物信息学与生物医学领域的国际顶级学术会议之一，在国内外学术界具有广泛影响力与认可度。本届会议共收到来自全球的投稿 2463 篇，每篇论文均由 4 位程序委员会委员严格评审，最终仅录用短论文480 篇，录用率约为19.48%。我院师生团队能够在如此激烈的竞争中脱颖而出，充分展现了学院在人工智能与医学影像智能处理方向的教学科研实力。
该论文聚焦胸部 CT、胸部 X 光等医学影像中的病变分割任务，面向临床诊断中 "微小病灶难识别、语义对齐不精细" 两大痛点，创新性地提出了一种高效的非对称多模态医学图像分割框架 CMMG-UNet。其核心创新点包括：
聚类与损失门控记忆库（CLMB）：通过 K-Means 聚类消除策略与损失门控准入机制，动态筛选并保留训练中的 "困难样本"，有效缓解微小病灶训练中的模式崩溃与灾难性遗忘问题；
多粒度文本 视觉融合模块（MTVF）：将视觉特征划分为局部区域，与全局文本注意力协同，实现从局部形态纹理到全局语义的分层对齐，显著提升对微小病灶的精细刻画能力。
实验结果表明，CMMG-UNet 在 QaTa-COV19 与 MosMedData+ 两个公开基准数据集上取得了当前最优（SOTA）的分割性能：Dice 分数分别达到 91.46% 和 79.35%，在微小病灶子集上同样表现优异（79.72% 和 77.52%），并以仅 10.3G FLOPs 的计算开销全面优于同类基线，兼顾了精度与效率，展现出较强的临床落地潜力。
指导教师：宗中；
团队成员：骆健斌、王文浩、文上文、程晋彪、甘军鹏、丁瑞升
作为学院重点建设的聚焦智能信息科技的现代化科创实训基地，101 创新实验室始终坚持以项目为牵引、以赛促学、以研育人的培养模式，聚焦人工智能与医学影像智能处理等前沿方向。此次论文的录用，正是实验室坚持科研育人、师生协同攻关的生动体现，也是实验室建设成效的有力证明。
学院始终将科研创新作为人才培养的重要抓手，重点建设101 创新实验室等科创实验平台，以产教融合为牵引，深化产学研协同育人，为师生科研团队提供实验场地、算力资源与项目支撑，为师生科研创新 "背书" 助力。此次论文的录用，正是学院支持科研、鼓励科研的生动实践，也是产教融合、应用型人才培养结出的又一硕果。未来，学院将持续完善科研激励机制，搭建更多科创平台，为广大学子开展高水平学术研究保驾护航。
让我们向论文团队表示热烈祝贺！也希望更多金城学子以他们为榜样，勇于探索、敢于创新，在科研道路上不断前行，再创佳绩！
文：李濠宇、周希楠
图：骆健斌、王文浩、程晋彪、宗中
转载自南航金城信息工程学院微信公众号