医学 AI

Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images

用于从MRI图像中分类和分割脑肿瘤的新型深度学习架构

Sayan Das, Arghadip Biswas

机构 * Jadavpur University（贾梵普大学） 纠错

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

AI总结 本文提出两种新型深度学习架构，用于从MRI图像中准确分类和分割脑肿瘤，分别达到99.38%和99.23%的准确率。

Data Exfiltration by Compression Attack: Definition and Evaluation on Medical Image Data

通过压缩攻击的数据外泄：在医学图像数据中的定义与评估

Huiyu Li, Nicholas Ayache, Hervé Delingette

专题命中 医学影像 ：medical image(title,abstract)；CT(abstract)；biomedical(comments,journal_ref)

AI总结 本文提出了一种基于图像压缩的新型数据外泄攻击，通过医学图像数据验证其有效性，并探讨了差分隐私等防护措施的应对策略。

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2025:032

Journal ref Machine.Learning.for.Biomedical.Imaging. 3 (2025)

DIST-CLIP: Arbitrary Metadata and Image Guided MRI Harmonization via Disentangled Anatomy-Contrast Representations

DIST-CLIP：通过解耦的解剖-对比表示实现任意元数据和图像引导的MRI统一

Mehmet Yigit Avci, Pedro Borges, Virginia Fernandez, Paul Wright, Mehmet Yigitsoy, Sebastien Ourselin, Jorge Cardoso

机构 * School of Biomedical Engineering & Imaging Sciences, King’s College London（国王学院伦敦生物医学工程与成像科学学院） ； deepc GMBH 纠错

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

AI总结 DIST-CLIP通过解耦的解剖-对比表示实现MRI数据统一，支持任意元数据和图像引导，提升风格迁移和数据标准化效果。

Bridging spatial awareness and global context in medical image segmentation

弥合空间感知与全局上下文在医学图像分割中的差距

Dalia Alzu'bi, A. Ben Hamza

机构 * Concordia Institute for Information Systems Engineering（康科德信息系统工程研究所） ； Concordia University（康科德大学） 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U-CycleMLP模型，通过改进的编码器-解码器架构，有效融合局部和全局上下文信息，提升医学图像分割的精度与鲁棒性。

A Biophysically-Conditioned Generative Framework for 3D Brain Tumor MRI Synthesis

一种基于生物物理条件的生成框架用于3D脑肿瘤MRI合成

Valentin Biller, Lucas Zimmer, Ayhan Can Erdur, Sandeep Nagar, Daniel Rückert, Niklas Bubeck, Jonas Weidner

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（伦敦帝国学院） 纠错

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

AI总结 本文提出了一种基于生物物理条件的生成框架，用于生成高保真的3D脑肿瘤MRI，通过条件生成模型实现肿瘤合成和健康组织修复，实验结果显示在PSNR指标上取得良好效果。

MRI Reconstruction with Regularized 3D Diffusion Model (R3DM)

利用正则化的3D扩散模型（R3DM）进行MRI重建

Arya Bangun, Zhuo Cao, Alessio Quercia, Hanno Scharr, Elisabeth Pfaehler

机构 * IAS-8 ； INM-4 Forschungszentrum Jülich（INM-4 研究中心） ； RWTH Aachen University（亚琛工业大学） 纠错

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

AI总结 本文提出了一种基于正则化3D扩散模型的MRI重建方法，通过结合优化方法提升图像质量与保真度，实验表明其在欠采样数据下的重建性能优于现有方法。

Comments Accepted to WACV 2025,17 pages, 8 figures

Precise Liver Tumor Segmentation in CT Using a Hybrid Deep Learning-Radiomics Framework

使用混合深度学习-放射组学框架进行CT中肝肿瘤的精确分割

Xuecheng Li, Weikuan Jia, Komildzhon Sharipov, Alimov Ruslan, Lutfuloev Mazbutdzhon, Ismoilov Shuhratjon, Yuanjie Zheng

机构 * School of Information Science & Engineering, Shandong Normal University（信息科学与工程学院，山东师范大学） ； Tajik State University of Law, Business and Politics（塔吉克国立法律、商业与政治大学） 纠错

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

AI总结 本文提出混合深度学习-放射组学框架，用于CT中肝肿瘤的精确分割，结合注意力增强的U-Net与放射组学特征筛选，提升分割精度与稳定性。

AutoLugano: A Deep Learning Framework for Fully Automated Lymphoma Segmentation and Lugano Staging on FDG-PET/CT

AutoLugano：一种用于FDG-PET/CT上全自动淋巴瘤分割和卢加诺分期的深度学习框架

Boyang Pan, Zeyu Zhang, Hongyu Meng, Bin Cui, Yingying Zhang, Wenli Hou, Junhao Li, Langdi Zhong, Xiaoxiao Chen, Xiaoyu Xu, Changjin Zuo, Chao Cheng, Nan-Jie Gong

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

AI总结 AutoLugano通过深度学习实现FDG-PET/CT上淋巴瘤的全自动分割与卢加诺分期，提升初始分期和治疗分层的准确性。

Tyche: Stochastic In-Context Learning for Medical Image Segmentation

Tyche: 医疗图像分割的随机上下文学习

Marianne Rakic, Hallee E. Wong, Jose Javier Gonzalez Ortiz, Beth Cimini, John Guttag, Adrian V. Dalca

机构 * CSAIL MIT（MIT计算机科学与人工智能实验室） ； MIT Broad Institute（MITBroad研究所） ； MGH（麻省总医院） ； MosaicML ； DataBricks ； MIT ； HMS, MGH（哈佛医学院、麻省总医院） 纠错

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

AI总结 Tyche通过上下文学习方法，无需重新训练即可为医疗图像分割生成随机预测，提升分割任务的灵活性和鲁棒性。

Comments Accepted at IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR) 2024 as a highlight. Code available at https://github.com/mariannerakic/tyche

On The Role of K-Space Acquisition in MRI Reconstruction Domain-Generalization

在MRI重建领域泛化中的k空间获取作用

Mohammed Wattad, Tamir Shor, Alex Bronstein

机构 * Faculty of Computer Science, Technion, Israel（计算机科学学院，技术学院，以色列） 纠错

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

AI总结 本文探讨了在MRI重建中通过学习k空间采样模式提升跨领域泛化能力的方法，并提出了一种增强域鲁棒性的新方法。

Robust brain age estimation from structural MRI with contrastive learning

从结构MRI中鲁棒性脑年龄估计对比学习

Carlo Alberto Barbano, Benoit Dufumier, Edouard Duchesnay, Marco Grangetto, Pietro Gori

机构 * University of Turin（都灵大学） 纠错

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

AI总结 本文提出对比学习方法用于从结构MRI中鲁棒性脑年龄估计，通过多数据集实验展示其在泛化性能和诊断性能上的优势。

Comments Update version (submitted to PRL); 8 pages

Clinical Interpretability of Deep Learning Segmentation Through Shapley-Derived Agreement and Uncertainty Metrics

通过Shapley衍生的共识和不确定性度量实现深度学习分割的临床可解释性

Tianyi Ren, Daniel Low, Pittra Jaengprajak, Juampablo Heras Rivera, Jacob Ruzevick, Mehmet Kurt

机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； University of Washington School of Medicine（华盛顿大学医学院） ； Department of Neurological Surgery, University of Washington（华盛顿大学神经外科系） 纠错

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

AI总结 本研究通过Shapley值提出共识和不确定性度量，用于评估深度学习分割模型的临床可解释性，以提高模型在医学影像中的可靠性与可接受性。

RefLSM: Linearized Structural-Prior Reflectance Model for Medical Image Segmentation and Bias-Field Correction

RefLSM：用于医学图像分割和偏场校正的线性化结构先验反射模型

Wenqi Zhao, Jiacheng Sang, Fenghua Cheng, Yonglu Shu, Dong Li, Xiaofeng Yang

机构 * College of Mathematics and Statistics, Chongqing University（重庆大学数学与统计学院） ； Deparment of Computer Science, Duke University（杜克大学计算机科学系） ； The University of Queensland Brisbane（昆士兰大学布里斯班分校） ； Department of Radiation Oncology and Winship Cancer Institute, Emory University（埃默里大学放射肿瘤科和Winship癌症研究所） 纠错

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

AI总结 RefLSM通过整合反射率分解和线性结构先验，提升医学图像分割的精度和鲁棒性。

Integrating Multi-scale and Multi-filtration Topological Features for Medical Image Classification

融合多尺度和多过滤拓扑特征的医学图像分类

Pengfei Gu, Huimin Li, Haoteng Tang, Dongkuan, Xu, Erik Enriquez, DongChul Kim, Bin Fu, Danny Z. Chen

机构 * The University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德谷分校） ； North Carolina State University（北卡罗来纳州立大学） ； University of Notre Dame（圣母大学） 纠错

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

AI总结 本文提出融合多尺度和多过滤拓扑特征的医学图像分类框架，通过拓扑引导方法提升模型对复杂解剖结构的识别能力。

Expectation-Maximization as the Engine of Scalable Medical Intelligence

期望-最大化作为可扩展医学智能的引擎

Wenxuan Li, Pedro R. A. S. Bassi, Tianyu Lin, Yu-Cheng Chou, Jakob Wasserthal, Xinze Zhou, Qi Chen, Fabian Isensee, Yannick Kirchhoff, Maximilian Rokuss, Saikat Roy, Constantin Ulrich, Klaus Maier-Hein, Szymon Płotka, Xiaoxi Chen, Kang Wang, Yang Yang, Daguang Xu, Kai Ding, Yucheng Tang, Alan L. Yuille, Zongwei Zhou

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Bologna（博洛尼亚大学） ； Italian Institute of Technology（意大利理工学院） ； University Hospital Basel（巴塞尔大学医院） ； DKFZ（德累斯顿生物医学研究中心） ； Jagiellonian University（雅盖隆大学） ； University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, San Francisco（旧金山大学） ； NVIDIA（NVIDIA公司） ； Johns Hopkins Medicine（约翰霍普金斯医学） 纠错

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

AI总结 ScaleMAI通过期望-最大化过程统一数据标注与模型开发，生成大规模标注数据集并提升肿瘤诊断性能。

VGS-ATD: Robust Distributed Learning for Multi-Label Medical Image Classification Under Heterogeneous and Imbalanced Conditions

VGS-ATD：在异质性和不平衡条件下实现多标签医学图像分类的鲁棒分布式学习

Zehui Zhao, Laith Alzubaidi, Haider A. Alwzwazy, Jinglan Zhang, Yuantong Gu

机构 * School of Computer Science, Queensland University of Technology（计算机科学学院，昆士兰理工大学） ； Centre for Data Science, Queensland University of Technology（数据科学中心，昆士兰理工大学） ； School of Mechanical, Medical, and Process Engineering, Queensland University of Technology（机械、医学和工艺工程学院，昆士兰理工大学） ； Signal Processing, Artificial Intelligence and Vision Technologies (SAIVT), Queensland University of Technology（信号处理、人工智能和视觉技术（SAIVT），昆士兰理工大学） 纠错

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

AI总结 VGS-ATD通过分布式学习框架在异质性和不平衡条件下实现多标签医学图像分类的高准确率和高效性。

Comments The idea is still underdeveloped, not yet enough to be published

MetaChest: Generalized few-shot learning of pathologies from chest X-rays

MetaChest：从胸部X光片中进行泛化少样本学习的病理分类

Berenice Montalvo-Lezama, Gibran Fuentes-Pineda

机构 * Posgrado en Ciencia e Ingeniería de la Computación（计算机科学与工程研究生院） ； Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas（应用数学与系统研究所） ； Universidad Nacional Autónoma de México（墨西哥国立自治大学） 纠错

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

AI总结 MetaChest通过大规模胸部X光片数据集和迁移学习方法，提升少样本病理分类性能。

Parameter estimation in fluid flow models from undersampled frequency space data

从欠采样频率空间数据中估计流体流动模型的参数

Miriam Löcke, Pim van Ooij, Cristóbal Bertoglio

专题命中 医学影像 ：MRI(abstract)；diagnosis(abstract)

AI总结 本文提出利用降阶无迹卡尔曼滤波器从欠采样频率空间数据中准确估计流体流动模型参数，优于压缩感知方法。

Physics-Guided Diffusion Priors for Multi-Slice Reconstruction in Scientific Imaging

用于科学成像多切片重建的物理引导扩散先验

Laurentius Valdy, Richard D. Paul, Alessio Quercia, Zhuo Cao, Xuan Zhao, Hanno Scharr, Arya Bangun

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

AI总结 本文提出了一种结合物理约束和扩散先验的框架，用于提高多切片重建的效率和质量，适用于医学和科学成像领域。

Comments 8 pages, 5 figures, AAAI AI2ASE 2026

Improving Medical Visual Representation Learning with Pathological-level Cross-Modal Alignment and Correlation Exploration

通过病理级跨模态对齐和相关性探索提升医学视觉表示学习

Jun Wang, Lixing Zhu, Xiaohan Yu, Abhir Bhalerao, Yulan He

机构 * Department of Computer Science, University of Warwick（沃里克大学计算机科学系） ； Department of Informatics, King’s College London（伦敦国王学院信息学系） ； School of Computing, Macquarie University（麦考瑞大学计算机科学学院） ； Alan Turing Institute, UK（英国艾伦·图灵研究所） 纠错

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

AI总结 本文提出PLACE框架，通过病理级跨模态对齐和相关性探索提升医学视觉表示学习，实现多下游任务的性能提升。

Comments Accepted to IEEE Journal of Biomedical and Health Informatics (JBHI).Code: https://github.com/Markin-Wang/PLACE

Effective Attention-Guided Multi-Scale Medical Network for Skin Lesion Segmentation

高效的注意力引导多尺度医学网络用于皮肤病变分割

Siyu Wang, Hua Wang, Huiyu Li, Fan Zhang

机构 * Business University Yantai, China（烟台 business 大学） ； Artificial Intelligence Ludong University Yantai, China（人工智能 岭东大学） ； Engineering Shandong University of Finance（工程 山东财经大学） 纠错

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

AI总结 本文提出一种高效的注意力引导多尺度医学网络，通过多尺度残差结构和多通道融合模块提升皮肤病变分割的准确性和鲁棒性。

Comments The paper has been accepted by BIBM 2025

See More, Change Less: Anatomy-Aware Diffusion for Contrast Enhancement

看得更多，改变更少：面向对比增强的解剖感知扩散模型

Junqi Liu, Zejun Wu, Pedro R. A. S. Bassi, Xinze Zhou, Wenxuan Li, Ibrahim E. Hamamci, Sezgin Er, Tianyu Lin, Yi Luo, Szymon Płotka, Bjoern Menze, Daguang Xu, Kai Ding, Kang Wang, Yang Yang, Yucheng Tang, Alan L. Yuille, Zongwei Zhou

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Copenhagen（哥本哈根大学） ； University of Virginia（弗吉尼亚大学） ； University of Bologna（博洛尼亚大学） ； Italian Institute of Technology（意大利理工学院） ； University of Zurich（苏黎世大学） ； ETH AI Center（ETH人工智能中心） ； Istanbul Medipol University（伊斯坦布尔梅迪波尔大学） ； Jagiellonian University（雅盖隆大学） ； NVIDIA（NVIDIA公司） ； Johns Hopkins Medicine（约翰霍普金斯医学） ； University of California, San Francisco（旧金山大学） 纠错

专题命中 医学影像 ：CT(abstract)；分类 cs.CV

AI总结 SMILE是一种解剖感知扩散模型，通过结构感知监督和统一推理，在医学图像对比增强中实现更准确且临床有价值的图像生成。

U-Mamba2: Scaling State Space Models for Dental Anatomy Segmentation in CBCT

U-Mamba2：用于CBCT中牙科解剖分割的State Space模型扩展

Zhi Qin Tan, Xiatian Zhu, Owen Addison, Yunpeng Li

机构 * Centre for Oral, Clinical & Translational Sciences, King’s College London, United Kingdom（口腔、临床与转化科学中心，伦敦国王学院，英国） ； Surrey Institute for People-Centred AI, University of Surrey, United Kingdom（以人为本的人工智能研究院，萨里大学，英国） 纠错

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

AI总结 U-Mamba2通过整合Mamba2状态空间模型和牙科领域知识，实现了高效准确的CBCT牙科解剖分割。

Comments First place solution for both tasks of the ToothFairy3 challenge, MICCAI 2025

Benchmarking CXR Foundation Models With Publicly Available MIMIC-CXR and NIH-CXR14 Datasets

基于公开的MIMIC-CXR和NIH-CXR14数据集评估CXR基础模型

Jiho Shin, Dominic Marshall, Matthieu Komorowski

机构 * Imperial College London（帝国理工学院伦敦分校） 纠错

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

AI总结 本文评估了两种CXR基础模型在不同数据集上的性能，发现MedImageInsight在多数任务表现更优，而CXR-Foundation具有良好的跨数据集稳定性，强调了标准化评估的重要性。

Saliency Guided Longitudinal Medical Visual Question Answering

基于显著性的纵向医学视觉问答

Jialin Wu, Xiaofeng Liu

机构 * Dept. of Computer Science and Engineering University of California, San Diego（计算机科学与工程系，加州大学圣地亚哥分校） ； Dept. of Radiology and Biomedical Imaging Yale University（放射学与生物医学成像系，耶鲁大学） 纠错

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

AI总结 本文提出基于显著性的纵向医学视觉问答模型，通过显著性引导的编码器-解码器结构，在保持空间一致性的同时实现高效的临床变化识别。

Comments Published in NeurIPS Workshop

Validation of Subject-Specific Knee Models from In Vivo Measurements

基于活体测量验证个体化膝关节模型

Thor E. Andreassen, Donald R. Hume, Landon D. Hamilton, Stormy L. Hegg, Sean E. Higinbotham, Kevin B. Shelburne

专题命中 医学影像 ：CT(abstract)；分类 q-bio

AI总结 本研究通过活体测量验证了个体化膝关节模型的准确性，证明其与体外测量模型相当，同时指出需改进韧带负荷校准方法。

Comments 34 pages, 7 tables, 8 figures

Journal ref Frontiers in Bioengineering and Biotechnology, 2025, 13

Microfluidic gratings for X-ray Phase Contrast Imaging

微流体光栅用于X射线相位对比成像

Alessandro Rossi, Francesco Coccimiglio, Antonio Ferraro, Tiziana Ritacco, Alberto Astolfo, Michele Giocondo, Vincenzo Formoso, Raffaele Giuseppe Agostino, Francesco Iacoviello, Ioannis Papakonstantinou, Alessandro Olivo

专题命中 医学影像 ：biomedical(abstract)

AI总结 本文提出了一种基于微流体技术的X射线吸收光栅制备方法，利用软光刻和汞注入技术，以更低成本和可持续材料实现高性能X射线相位对比成像应用。

Comments 13 pages, 4 figures

Rigidity of the gradient estimate for Einstein manifolds

Einstein流形梯度估计的刚性

Sanghoon Lee, Jiewon Park

专题命中 医学影像 ：CT(abstract)

AI总结 该研究探讨了Einstein流形梯度估计的刚性，证明在特定条件下流形为平坦，并展示了曲率在$ L^p $空间中的性质，结合已有成果得出ALE的最佳阶数结论。

Optimal experimental design with k-space data: application to inverse hemodynamics

基于k空间数据的最优实验设计：应用于反向血流动力学

Miriam Löcke, Ahmed Attia, Dariusz Ucínski, Cristóbal Bertoglio

专题命中 医学影像 ：MRI(abstract)

AI总结 本文提出了一种基于k空间数据的最优实验设计框架，用于提高MRI参数估计的准确性和效率。

Fast and Robust T1 Mapping Based on a 3D Dual-Echo UTE Sequence (PETALUTE) for SPION Biodistribution Assessment

基于PETALUTE的快速且稳健的T1映射：用于SPION生物分布评估

Zhen Jiang, Stephen Sawiak, Alexandra Lipka, Xin Shen, Uzay Emir, Ali Özen, Mark Chiew, Justin Geise, Joseph Speth, Deng-Yuan Chang, Jessica Veenstra, Mitchell Gabalski, Luis Solorio, Gregory Tamer, Matthew Scarpelli

专题命中 医学影像 ：MRI(abstract)

AI总结 本研究提出基于PETALUTE的快速T1映射技术，实现对SPION生物分布的高精度定量成像，具有更广的浓度范围和更高的空间覆盖能力。