医学 AI

3D MedDiffusion: A 3D Medical Latent Diffusion Model for Controllable and High-quality Medical Image Generation

3D MedDiffusion：一种用于可控和高质量医学图像生成的3D医学潜在扩散模型

Haoshen Wang, Zhentao Liu, Kaicong Sun, Xiaodong Wang, Dinggang Shen, Zhiming Cui

专题命中 医学影像 ：medical image(title,abstract)；MRI(abstract)；CT(abstract)；分类 cs.CV、eess.IV

AI总结 3D MedDiffusion通过高效补丁-体积自编码器和新型噪声估计器，实现可控且高质量的3D医学图像生成，适用于多种医学下游任务。

SCOPE-MRI: Bankart Lesion Detection as a Case Study in Data Curation and Deep Learning for Challenging Diagnoses

SCOPE-MRI：Bankart病变检测作为数据整理和深度学习在困难诊断中的案例研究

Sahil Sethi, Sai Reddy, Mansi Sakarvadia, Jordan Serotte, Darlington Nwaudo, Nicholas Maassen, Lewis Shi

机构 * Pritzker School of Medicine, University of Chicago（芝加哥大学普ritzker医学学院） ； University of Chicago（芝加哥大学） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系） ； Department of Orthopaedic Surgery & Rehabilitation Medicine, UChicago Medicine（芝加哥医学中心骨科与康复医学系） 纠错

专题命中 医学影像 ：MRI(title,abstract)；diagnosis(abstract)；分类 cs.CV、cs.LG、eess.IV

AI总结 SCOPE-MRI通过公开数据集和深度学习框架，解决肩部Bankart病变的复杂诊断问题，提升MRI和MRAs的检测性能。

Comments This version of the article has been accepted for publication at Nature Partner Journal (NPJ) Artificial Intelligence, but is not the Version of Record and does not reflect post-acceptance improvements or any corrections. The Version of Record is available online at: http://dx.doi.org/10.1038/s44387-025-00043-5

GBT-SAM: A Parameter-Efficient Depth-Aware Model for Generalizable Brain tumour Segmentation on mp-MRI

GBT-SAM: 一种参数高效、具有通用性的脑肿瘤分割模型，适用于多参数磁共振成像

Cecilia Diana-Albelda, Roberto Alcover-Couso, Álvaro García-Martín, Jesus Bescos, Marcos Escudero-Viñolo

机构 * Amazon（亚马逊） 纠错

专题命中 医学影像 ：MRI(title,abstract)；diagnosis(abstract)；分类 cs.CV、eess.IV

AI总结 GBT-SAM是一种参数高效、具有通用性的脑肿瘤分割模型，适用于多参数磁共振成像，通过两步微调策略和深度感知模块实现高效分割。

Robust Rigid and Non-Rigid Medical Image Registration Using Learnable Edge Kernels

鲁棒的刚性与非刚性医学图像配准使用可学习边缘核

Ahsan Raza Siyal, Markus Haltmeier, Ruth Steiger, Malik Galijasevic, Elke Ruth Gizewski, Astrid Ellen Grams

机构 * Department of Mathematics, University of Innsbruck（因斯布鲁克大学数学系） ； Department of Radiology, Medical University of Innsbruck（因斯布鲁克医学大学放射学系） ； Neuroimaging Research Core Facility, Medical University of Innsbruck（因斯布鲁克医学大学神经影像研究核心设施） 纠错

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 本文提出了一种结合可学习边缘核的刚性和非刚性医学图像配准方法，通过自适应边缘检测提升多模态图像对齐和解剖结构分析的性能。

Provenance-Driven Reliable Semantic Medical Image Vector Reconstruction via Lightweight Blockchain-Verified Latent Fingerprints

基于轻量区块链验证的语义医疗图像向量重建：通过轻量区块链验证的可靠语义医疗图像向量重建

Mohsin Rasheed, Abdullah Al-Mamun

机构 * Augusta University（奥古斯塔大学） 纠错

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 本文提出一种结合语义引导的医疗图像重建与轻量区块链验证的框架，以提高重建的可靠性与可追溯性。

Probabilistic Modeling of Multi-rater Medical Image Segmentation for Diversity and Personalization

多评分者医学图像分割的概率建模用于多样性和个性化

Ke Liu, Shangde Gao, Yichao Fu, Shangqi Gao, Chunhua Shen

机构 * Zhejiang University（浙江大学） ； University of Cambridge（剑桥大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 ProSeg通过概率建模实现医学图像分割的多样化和个性化，结合专家偏好和边界模糊性，提升分割结果的多样性和个性化水平。

MMIF-AMIN: Adaptive Loss-Driven Multi-Scale Invertible Dense Network for Multimodal Medical Image Fusion

MMIF-AMIN: 适应性损失驱动的多尺度可逆密集网络用于多模态医学图像融合

Tao Luo, Weihua Xu

专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 MMIF-AMIN通过可逆密集网络和多尺度互补特征提取模块，实现多模态医学图像融合的高效融合与精准诊断。

Comments This manuscript is withdrawn to allow for substantial expansion and restructuring. Based on recent research progress, we plan to add Generalization experiment and reorganize the manuscript structure to improve readability and logical flow. Thank you for your understanding and support

GuideGen: A Text-Guided Framework for Paired Full-torso Anatomy and CT Volume Generation

GuideGen: 一种基于文本引导的完整躯干解剖和CT体积生成框架

Linrui Dai, Rongzhao Zhang, Yongrui Yu, Xiaofan Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 医学影像 ：CT(title,abstract)；分类 cs.CV、cs.LG、eess.IV

AI总结 GuideGen通过文本引导生成完整躯干解剖和CT体积，提升医学影像数据合成效率与质量。

Comments accepted as AAAI 2026 poster

MedCondDiff: Lightweight, Robust, Semantically Guided Diffusion for Medical Image Segmentation

MedCondDiff: 轻量、稳健、语义引导的扩散模型用于医学图像分割

Ruirui Huang, Jiacheng Li

专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV、cs.LG、eess.IV

AI总结 MedCondDiff通过语义引导的扩散模型实现高效、稳健的多器官医学图像分割，适用于多种成像模态和解剖区域。

Disentangling Progress in Medical Image Registration: Beyond Trend-Driven Architectures towards Domain-Specific Strategies

解构医学图像配准的进步：超越趋势驱动的架构，迈向领域特定的策略

Bailiang Jian, Jiazhen Pan, Rohit Jena, Morteza Ghahremani, Hongwei Bran Li, Daniel Rueckert, Christian Wachinger, Benedikt Wiestler

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Imperial College London（伦敦帝国理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV、eess.IV

AI总结 本文通过模块化框架解构医学图像配准中趋势驱动架构与领域特定设计的影响，发现后者在性能提升上优于前者，推动研究重点转向领域特定原则。

Comments Submitted to Medical Image Analysis. Journal Extension of arXiv:2407.19274

A Fast and Efficient Modern BERT based Text-Conditioned Diffusion Model for Medical Image Segmentation

一种快速且高效的基于现代BERT的文本条件扩散模型用于医学图像分割

Venkata Siddharth Dhara, Pawan Kumar

机构 * International Institute of Information Technology, Hyderabad, 500032, India（国际信息科技学院，海得拉巴） 纠错

专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV、cs.LG

AI总结 本文提出FastTextDiff，利用ModernBERT提升医学图像分割的效率和准确性，通过整合文本注释和多模态注意力机制改进传统扩散模型。

Comments 15 pages, 3 figures, Accepted in Slide 3 10th International Conference on Computer Vision & Image Processing (CVIP 2026)

Diffusion-Based Synthesis of 3D T1w MPRAGE Images from Multi-Echo GRE with Multi-Parametric MRI Integration

基于扩散模型的多echo GRE数据生成3D T1w MPRAGE图像：多参数MRI整合

Sizhe Fang, Deqiang Qiu

专题命中 医学影像 ：MRI(title,abstract)；分类 eess.IV

AI总结 本文提出基于扩散模型的深度学习框架，利用多参数MRI先验生成生物合理的3D T1w MPRAGE图像，提升神经影像学分析效率。

TAP-CT: 3D Task-Agnostic Pretraining of Computed Tomography Foundation Models

TAP-CT: 3D 任务无关的计算机断层扫描基础模型预训练

Tim Veenboer, George Yiasemis, Eric Marcus, Vivien Van Veldhuizen, Cees G. M. Snoek, Jonas Teuwen, Kevin B. W. Groot Lipman

机构 * Netherlands Cancer Institute（荷兰癌症研究所） ； University of Amsterdam（阿姆斯特丹大学） ； Kaiko 纠错

专题命中 医学影像 ：CT(title,abstract)；分类 cs.CV

AI总结 TAP-CT提出了一种基于ViT和DINOv2的3D CT基础模型预训练方法，通过任务无关的自监督学习实现高效的医学影像处理。

Comments 22 pages, 4 figures, 8 tables

HQCNN: A Hybrid Quantum-Classical Neural Network for Medical Image Classification

HQCNN：一种用于医学图像分类的混合量子-经典神经网络

Shahjalal, Jahid Karim Fahim, Pintu Chandra Paul, Md Robin Hossain, Md. Tofael Ahmed, Dulal Chakraborty

专题命中 医学影像 ：medical image(title,abstract)；分类 eess.IV

AI总结 HQCNN通过融合量子与经典机制，实现了在医学图像分类中的高准确率和鲁棒性，适用于数据稀缺场景。

Comments A methodological error was identified in the Quantum Attention-Fourier Layer (Section 4.3), and an additional alignment error affecting parts of the results and figures was also detected. These issues lead to incorrect experimental reporting, and substantial corrections are required. Therefore, the current version is being withdrawn to prevent dissemination of inaccurate results

Speech Audio Generation from dynamic MRI via a Knowledge Enhanced Conditional Variational Autoencoder

通过动态MRI生成语音音频的增强知识条件变分自编码器

Yaxuan Li, Han Jiang, Yifei Ma, Shihua Qin, Jonghye Woo, Fangxu Xing

机构 * Department of Computer Science, The University of Hong Kong（香港大学计算机科学系） ； School of Software Engineering, Xi'an Jiaotong University（西安交通大学软件工程学院） ； Wake Forest University School of Medicine（威克森林大学医学学院） ； Department of Radiology, Harvard Medical School（哈佛医学院放射科） 纠错

专题命中 医学影像 ：MRI(title,abstract)；分类 cs.CV

AI总结 本文提出KE-CVAE方法，通过动态MRI生成语音音频，解决MRI数据损坏和噪声问题，提升语音合成质量。

Comparative Evaluation of Generative AI Models for Chest Radiograph Report Generation in the Emergency Department

对比评估急诊部门胸片报告生成的生成式AI模型

Woo Hyeon Lim, Ji Young Lee, Jong Hyuk Lee, Saehoon Kim, Hyungjin Kim

专题命中 医学影像 ：medical image(abstract)；CT(abstract)；分类 cs.LG、eess.IV

AI总结 本研究评估了急诊部门胸片报告生成中生成式AI模型的性能，发现AIRead在报告质量及诊断指标上表现最优。

DB-KAUNet: An Adaptive Dual Branch Kolmogorov-Arnold UNet for Retinal Vessel Segmentation

DB-KAUNet: 一种自适应双分支Kolmogorov-Arnold UNet用于视网膜血管分割

Hongyu Xu, Panpan Meng, Meng Wang, Dayu Hu, Liming Liang, Xiaoqi Sheng

机构 * School of Computer Science and Software Engineering, Southwest University（西南大学计算机科学与软件工程学院） ； Innovation Centre of Ministry of Education for Development and Diseases, the Sixth Affiliated Hospital, School of Medicine, South China University of Technology（华南理工大学医学院附属第六医院） ； Centre for Innovation and Precision Eye Health, Yong Loo Lin School of Medicine, National University of Singapore（新加坡国立大学 Yong Loo Lin 医学院创新与精准眼科健康中心） ； Department of Ophthalmology, Yong Loo Lin School of Medicine, National University of Singapore（新加坡国立大学 Yong Loo Lin 医学院眼科部） ； College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学院与生物信息工程学院） ； School of Electrical Engineering Automation, Jiangxi University of Science and Technology（江西理工大学电气工程自动化学院） ； School of Future Technology, South China University of Technology（华南理工大学未来技术学院） 纠错

专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV

AI总结 DB-KAUNet通过自适应双分支结构结合CNN和Transformer，提升视网膜血管分割的准确性和鲁棒性。

nnMobileNet++: Towards Efficient Hybrid Networks for Retinal Image Analysis

nnMobileNet++: 向高效混合网络在视网膜图像分析中的迈进

Xin Li, Wenhui Zhu, Xuanzhao Dong, Hao Wang, Yujian Xiong, Oana Dumitrascu, Yalin Wang

机构 * Arizona State University（亚利桑那州立大学） ； Clemson University（克莱姆森大学） ； Mayo Clinic（梅奥诊所） 纠错

专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV

AI总结 nnMobileNet++通过混合卷积与变换器架构，提升视网膜图像分析的效率与准确性。

Learning What Helps: Task-Aligned Context Selection for Vision Tasks

学习什么有助于：面向视觉任务的任务对齐上下文选择

Jingyu Guo, Emir Konuk, Fredrik Strand, Christos Matsoukas, Kevin Smith

机构 * KTH Royal Institute of Technology（皇家理工学院） ； Science for Life Laboratory（生命科学实验室） ； Karolinska Institutet（卡罗林斯卡研究院） ； Pathology, Clinical Pharmacology and Safety Sciences, R&D AstraZeneca（病理学、临床药理学与安全性科学，阿斯利康研发部） 纠错

专题命中 医学影像 ：medical image(abstract)；分类 cs.CV

AI总结 TACS通过联合训练选择器网络和任务模型，实现任务对齐的上下文选择，提升视觉任务性能，尤其在数据有限或挑战性场景中表现优异。

Recognizing Pneumonia in Real-World Chest X-rays with a Classifier Trained with Images Synthetically Generated by Nano Banana

用Nano Banana生成的合成图像训练分类器以在真实世界胸片中识别肺炎

Jiachuan Peng, Kyle Lam, Jianing Qiu

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院） 纠错

专题命中 医学影像 ：medical AI(abstract)；分类 cs.CV

AI总结 利用Nano Banana生成的合成图像训练分类器，实现在真实世界胸片中识别肺炎，取得较高AUROC和AUPR，但存在提示设计和数据对齐的挑战。

Comments 9 pages

A Lightweight and Extensible Cell Segmentation and Classification Model for Whole Slide Images

一种轻量且可扩展的整张滑片图像细胞分割与分类模型

Nikita Shvetsov, Thomas K. Kilvaer, Masoud Tafavvoghi, Anders Sildnes, Kajsa Møllersen, Lill-Tove Rasmussen Busund, Lars Ailo Bongo

机构 * Department of Computer Science, UiT The Arctic University of Norway（计算机科学系，UiT北极大学） ； Department of Oncology, University Hospital of North Norway（肿瘤学系，北挪威大学医院） ； Department of Clinical Medicine, UiT The Arctic University of Norway（临床医学系，UiT北极大学） ； Department of Community Medicine, UiT The Arctic University of Norway（社区医学系，UiT北极大学） ； Department of Medical Biology, UiT The Arctic University of Norway（医学生物学系，UiT北极大学） ； Department of Clinical Pathology, University Hospital of North Norway（临床病理学系，北挪威大学医院） 纠错

专题命中 医学影像 ：pathology(abstract)；分类 cs.CV

AI总结 本文提出了一种轻量且可扩展的细胞分割与分类模型，通过改进数据标注、利用H-Optimus基础模型和知识蒸馏，提升分割和分类性能，同时降低计算复杂度。

Comments 30 pages, 11 figures

A region-specific brain dysfunction underlies cognitive impairment in long COVID brain fog

特定区域的脑功能障碍导致长期新冠脑雾的认知障碍

Jinhao Yang, Shaojiong Zhou, Zhibin Wang, Jiahua Xu, Jia Chen, Zhouqian Yin, Tao Wei, Chaofan Geng, Xiaoduo Liu, Xiang Li, Xiaoyu Zhou, Kun Li, Ruolei Gu, Raymond Dolan, Yi Tang, Yunzhe Liu

专题命中 医学影像 ：MRI(abstract)；分类 q-bio

AI总结 研究发现右下顶叶岛叶功能障碍导致长期新冠认知障碍，通过非侵入性神经调节可改善感知缺陷。

Comments 58 pages, 6 figures