近日，我院人工智能专业大四本科生曹天宇以第一作者身份完成的研究论文“SegDrift: Prior-Guided Semantic Drifting with Hard Negative Mining for Medical Image Segmentation”被 2026 IEEE International Conference on Bioinformatics and Biomedicine（BIBM 2026）录用。该会议为中国计算机学会（CCF）推荐的B类国际学术会议，研究由我院教师李睿恒指导完成。

医学图像分割是计算机视觉与生物医学人工智能领域的重要研究方向。现有方法主要依赖像素级损失函数优化分割结果，但具有相近 Dice 指标的预测掩码仍可能存在语义差异，例如目标区域不完整、背景中出现错误分割等问题。针对这一问题，该研究提出 SegDrift 框架，利用预训练的 DINOv3 提取语义特征，通过语义漂移损失引导预测结果接近真实标注，并结合 CLS 校准先验与预测感知的困难负样本记忆机制，强化模型对错误分割区域的识别与纠正能力。同时，该方法在推理阶段无需迭代采样，仅通过一次前向预测即可生成分割结果。

实验结果表明，SegDrift 在皮肤病变分割数据集 ISIC17 和息肉分割数据集 Kvasir-SEG 上均取得了最佳 mIoU、Dice 和 Recall。其中，mIoU 分别达到 81.17% 和 84.86%，较各数据集上最优的对比方法分别提升 1.7 和 2.1 个百分点。该研究为突破传统像素级监督的局限、利用视觉基础模型提升医学图像分割的语义一致性提供了新的思路。

CCF推荐目录是计算机领域了解国际学术期刊和会议的重要参考，其中B类会议在相关领域具有较高的学术声誉和影响力。（撰写：李睿恒 审核：田全喜）

论文信息：

 Cao, T., Xia, H., Ma, M., Zhang, H., Zhou, G., & Li, R. SegDrift: Prior-Guided Semantic Drifting with Hard Negative Mining for Medical Image Segmentation. Accepted by the 2026 IEEE International Conference on Bioinformatics and Biomedicine (BIBM 2026).