MICCAI 2026投稿全攻略：时间线、写作框架与避坑指南

MICCAI 2026的投稿周期又快到了。去年，我一个做医学图像分割的朋友，把模型在几个公开数据集上刷到了SOTA，很自信地投了MICCAI，结果第一轮early reject就被拒了。拿到意见后他跟我说，评审不是质疑精度，而是说“医学问题本身的论证不够扎实”。这个场景我太熟了——MICCAI从来不是CVPR的医学版，拿着刷榜的逻辑去投，大概率会翻车。这篇文章想结合我自己这些年投MICCAI的体会和见到的案例，把2026年投稿要提前想清楚的问题、时间线、写作框架、常见拒稿原因以及rebuttal技巧，一次说透。不管你是第一次投MICCAI的研究生，还是已经有几篇论文想再冲一次的老手，应该都能找到能直接用的东西。

1. 想清楚再开工：MICCAI到底要什么样的论文

1.1 主会论文、workshop、challenge：三条完全不同的赛道

我见过不少小伙伴，连投稿目标都没定清楚就开始写摘要。MICCAI一周下来其实有非常多的投稿入口：主会的regular paper、workshop论文、challenge赛题，以及各种卫星活动。你不一定非要投主会，但一定要知道自己投的是哪条赛道。

主会论文是正经的双盲评审，要求完整的研究闭环：临床问题、方法、实验、讨论。Workshop一般更聚焦某个细分方向，比如某类器官的图像分析、某个新设备的数据处理，审稿周期相对短，对创新性要求也更集中。Challenge则是跟着数据集和任务走的，更偏模型性能，适合想在某个具体任务上验证自己算法的团队。

很多新手一上来就冲主会，结果实验做了一半发现数据量不够、外部验证做不了、故事讲不圆。如果目标是“中一篇会议论文”，其实完全可以先评估手里的工作量和内容适合哪个入口。选错赛道，后面再怎么努力都容易别扭。

1.2 医学问题驱动：方法只是手段，不是目的

MICCAI的全称是Medical Image Computing and Computer Assisted Intervention，重点在“医学图像计算”和“计算机辅助介入”。它和CVPR、ICCV最大的不同，是评审会非常在意“你要解决的医学问题是什么”“为什么这个问题值得解决”“你的方法在真实临床场景里有没有可能被用上”。

我经常跟学生说，MICCAI论文的问题定义，要比方法定义重要得多。你现在做一个脑肿瘤MRI分割方法，如果只说“我们提出了一个新的Transformer结构，比U-Net提高2% Dice”，这很难打动评审。但如果换成“胶质瘤边界在外科手术规划中高度依赖医生经验，自动分割需要在增强边界区域保持稳定，我们发现现有方法在这个区域平均失败率偏高，因而提出了一个针对边界的结构约束模块”，这就立刻不一样了。

这不是话术，而是角度：评审想看的是你对问题的理解。临床数据里哪里难、哪里容易被误判、哪里会影响后续治疗决策，这些信息远比“我们堆了什么模块”更能体现研究的价值。

1.3 双盲评审的底层逻辑

MICCAI是双盲评审，作者不知道审稿人是谁，审稿人也不知道作者是谁。这个机制听起来简单，但每年都有不少人因为“双盲”这个细节翻车。

双盲的核心逻辑是让评审只根据论文本身的质量做判断，避免“这个组很强所以先给高分”或“这个方向我不熟悉所以给低分”的偏差。因此，你在提交版本中不能出现能够识别作者身份的信息：姓名、单位、项目资助号、致谢，都不能写。

最容易被忽视的是你对自己工作的引用。很多论文会写“in our previous work [x] we proposed...”，这直接就暴露了作者身份。正确的做法是写成“a previous transformer-based approach [x]”或“prior work [x]”，把作者信息从描述中抹去。还有代码链接、GitHub用户名、数据集来源里的特殊命名，也都可能暴露。后面我会专门列一个匿名化检查清单。

2. 时间线与材料准备：照着时间表走，至少不翻车

2.1 关键的时间节点

MICCAI 2026的官方日程请务必以官网公布为准，我这里只给近年通用的参考时间轴。近几届的流程大体是这样的：

请注意，这些都只是参考，每年都可能调整。正确姿势是投稿前一个月开始每周刷一次MICCAI官网，并订阅官方邮件列表。不要指望同事转发，我自己就吃过亏，隔了一周才发现摘要截稿时间提前了，最后两天赶工差点漏投。

2.2 LNCS模板与页数限制

MICCAI的正式论文格式是Springer的LNCS模板，和很多欧洲会议一致。正文页数一般控制在12页以内，参考文献不计入页数（具体以2026年官方模板说明为准）。这个12页不是让你“尽量写满”，而是让你做好规划：摘要、方法、实验、结论的篇幅比例要合理。

我推荐从一开始就在Overleaf上选好LNCS模板写，不要等Word写完了再转。LNCS的格式细节非常多：标题大小写、作者格式、图表编号、参考文献的引用风格，LaTeX下都有默认规范。晚转格式意味着你要花一整晚来调细节，而且很容易在转的时候弄丢图表。

页数上最常见的坑是：方法写太长，实验没有空间；或者早期不控制图的大小，最后压缩字体缩到看不清。建议第一天就规划好各个section的大致页数，比如intro 1-1.5页、method 4-5页、experiment 4-5页、discussion和conclusion 1页。这是经验值，不同论文可以调整，但先有分配再写，比一股脑写完再删要高效得多。

2.3 匿名化处理清单

匿名化是MICCAI投稿中最不值得丢分却很容易丢分的地方。一个desk reject会让几个月的努力白费。我自己每次投稿前都会专门留出半天做匿名化检查，清单大致如下：

• PDF元数据：确认Author、Creator、Producer字段为空或不含个人信息。可以用exiftool查：

bash复制exiftool -a paper.pdf | grep -i author

如果在Windows上不方便，也可以在Adobe Acrobat里右键“文档属性”查看。

• 引用自己的论文时，统一改成“prior work”或“previous study”并隐去姓名，不要把“our previous work”留在正文中。
• 代码链接：如果提供匿名代码仓库，确保仓库描述和代码注释里不要出现作者名、学校名。
• 数据集和实验设备：不出现医院名、设备厂商和型号的识别性描述；如果必须说明数据来源，用“collected at a collaborating medical center”这类匿名说法。
• Acknowledgement：提交版本里删除致谢模块。
• 补充材料：很多人只检查主PDF，忘了supplementary里的作者信息。补充材料同样需要匿名。

最后，提交前下载一遍PDF，用无痕模式打开，把自己当成一个第一次读到这篇论文的审稿人快速翻一遍。这一步能挡掉大部分低级错误。

3. 摘要、方法与实验：一套能过MICCAI评审的写作框架

3.1 摘要四句法

摘要是一篇论文里性价比最高的写作部分。MICCAI摘要通常有字数限制，你只有几句话能让评审决定要不要继续往下看。我习惯用“四句法”：

第一句，写临床或医学影像分析中的具体问题。它是“痛点”，不是“gap”，要具体到某个任务、某个场景。

第二句，写现有方法在这个痛点上的不足。这里不能太虚，要直接点出缺什么。

第三句，写你提出的方法。一句话说清楚“我们做了什么”，用关键词把核心贡献带出来。

第四句，写关键结果。给出与最强baseline的差距、临床指标提升，或者显著性结论。

举例来说，如果你做一个前列腺MRI分割模型：

“Multi-parametric MRI is essential for prostate cancer diagnosis, but the boundary of the peripheral zone remains difficult to delineate due to low contrast. Existing deep learning methods often rely on single-modality features and fail to exploit complementary information across T2-weighted and diffusion images. We propose a cross-modality consistency framework that explicitly aligns structural and diffusion features before segmentation, with a boundary-aware loss to regularize uncertain regions. On a multi-center dataset of 420 patients, the proposed method improves the average Dice from 0.842 to 0.871 and reduces the 95th-percentile Hausdorff distance by 18% compared to the strongest baseline.”

这个例子不一定严谨，但结构是清楚的。写摘要的时候不要堆指标，要选最有代表性的一个或两个指标讲清楚提升。

3.2 方法部分：让医学评审看得懂

MICCAI的评审组里可能既有做方法的，也有做医学应用的。方法部分不能写成“只给公式的数学论文”或者“只给代码的工程报告”，而是要在两者之间取得平衡。

我常用的结构是：先一段话整体描述方法框架，用“输入是什么、中间经过哪些模块、输出是什么”把流程图讲清楚；然后分模块解释，每个模块给一个可读性的自然语言描述，再补关键公式；最后给训练细节，比如损失函数、优化器、batch size、训练时长、推理时间，以及模型参数量。

特别重要的一点：每个设计决策都要回答“为什么”。你用了对比学习，就要说它解决的是数据哪部分的不确定性；你加了一个边缘检测分支，就要说它对应临床上的哪个困难。如果没有这类解释，方法再复杂也会被评审理解为“为了提点而提点”。

3.3 实验设计：对照、消融、外部验证

MICCAI评审对实验的要求，明显比很多纯AI会议更强调“充分性”。首先，你要和近两年的SOTA做对比，而不是只拿2018年的U-Net当baseline。其次，消融实验不能只做“去掉某个loss”这种，还要尽量回答“每个模块为什么存在”“如果换成另一个常见模块行不行”。

外部验证是很大的加分项。如果能找到另一个中心、另一台扫描仪或另一个数据集来测试，即使模型不在外部数据上重新训练，只做测试，说服力都会强很多。这对应真实临床里的泛化问题。

很多人容易漏掉统计细节：多次运行的标准差、统计显著性检验、病例级结果与切片级结果的区别。尤其是医学图像任务，病例级评估往往比切片级评估更贴近临床场景。有些评审会特别看这两者的区分，如果你全文都是slice-level Dice，他可能会问“同一个病人的数千张切片之间是不是存在数据泄漏”，这是很容易让论文被拒的质疑。

3.4 图表：医学评审第一眼只看图

审稿人审一篇论文的平均时间没有大家想象得那么多。第一张方法框架图基本决定了评审对这篇工作“是否认真”的第一印象。

框架图不要画成神经网络层的堆叠示意图，而是要画出数据流：输入图像、预处理、模型模块、输出结果、后处理。每个模块旁边可以加一两句短的说明，但不要太多字，图应该能自解释。对比结果图也很重要：分割任务可以展示几个典型病例的预测mask叠加图，并标出改进区域；配准任务可以展示形变场质量或者结构对齐后的叠加视图。

另外，一定要考虑黑白打印的阅读体验。很多评审会把论文打印出来看，如果你的对比图把红色和绿色放在一起，而打印出来都是灰色，结论就完全看不清。用不同线型、不同标记、加文字标注，比单纯依靠颜色更安全。

4. 我见过的典型拒稿原因与规避策略

4.1 拒稿原因的真实分布

MICCAI的录用率这几年基本在30%上下，被拒是常态。我见过不少论文，看完觉得“方法本身没有大毛病”，但还是被拒了。根据我接触到的案例和评审意见，拒稿原因大概可以分成这么几类：

这个表只是我个人的主观整理，不是官方统计，但能帮你判断自己最需要补哪块。

4.2 三个案例复盘

案例一，方法很复杂但临床问题非常薄。我之前见过一个做术中超声神经分割的投稿，方法里堆了自注意力、对比学习、半监督和不确定性估计，试了很多模块，但数据只有本院32例超声视频，没有外部验证，也没有在公开数据集上补实验。评审意见说得很直接：“方法在技术上有新意，但32例单中心数据不足以支撑临床实用性结论。”最后被拒。这个案例特别典型：你越是在方法上投入，评审对你临床验证的期待就越高。

案例二，双盲匿名化翻车。有个同事的论文在Overleaf上编译后，PDF作者栏出现在标题下方，他用了自定义命令带出了个人ID，结果被直接desk reject，连送审的机会都没有。这是最难受的一种拒法。所以我的建议是，模板下载下来后先不要改作者信息，保持空的状态，最后提交前再查一次PDF元数据。

案例三，baseline太旧导致公平性质疑。一篇心脏MRI视角分类的论文，对比的baseline只用了一篇2019年的方法，没有和近两年的SOTA比较。评审质疑“作者是不是避开了更强的baseline”，最后分数被压得很低。遇到这种情况，你哪怕做一个re-implementation并报告结果，都好过直接不对比。