医学 AI

RepAir: A Framework for Airway Segmentation and Discontinuity Correction in CT

RepAir：一种用于CT扫描气道分割和不连续性校正的框架

John M. Oyer, Ali Namvar, Benjamin A. Hoff, Wassim W. Labaki, Ella A. Kazerooni, Charles R. Hatt, Fernando J. Martinez, MeiLan K. Han, Craig J. Galbán, Sundaresh Ram

机构 * University of Michigan（密歇根大学） ； D Medical, Inc.（4D医疗公司） ； University of Massachusetts（马萨诸塞大学） ； Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 RepAir通过结合nnU-Net网络和解剖学指导的拓扑校正，实现了更完整且解剖学一致的3D气道分割，优于现有方法。

Comments 4 pages, 3 figures, 1 table. Oral presentation accepted to SSIAI 2026 Conference on Jan 20, 2026

Unsupervised Segmentation of Micro-CT Scans of Polyurethane Structures By Combining Hidden-Markov-Random Fields and a U-Net

通过结合隐马尔可夫随机场和U-Net实现聚氨酯结构微CT扫描的无监督分割

Julian Grolig, Lars Griem, Michael Selzer, Hans-Ulrich Kauczor, Simon M. F. Triphan, Britta Nestler, Arnd Koeppe

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

AI总结 本文提出结合隐马尔可夫随机场和U-Net的无监督分割方法，用于聚氨酯结构微CT图像的高精度分割，无需真实数据并减少对标记数据的依赖。

Analyzing Model Misspecification in Quantitative MRI: Application to Perfusion ASL

定量磁共振成像中模型不规范性的分析：应用于灌注ASL

Jiachen Wang, Jon Tamir, Adam Bush

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

AI总结 本文提出了一种评估定量磁共振成像中模型规范性的理论框架，通过两种测试验证ASL信号模型在不同组织中的规范性。

Comments Accepted at IEEE ISBI 2026. This version is a preprint

Airway Tree Modeling Using Dual-channel 3D UNet 3+ with Vesselness Prior

基于双通道3D UNet 3+与血管性先验的气道树建模

Hsiang-Chin Chien, Ching-Ping Wang, Jung-Chih Chen, Chia-Yen Lee

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

AI总结 本研究提出基于双通道3D UNet 3+与血管性先验的肺部气道树建模方法，以提高CT图像分割的准确性。

Comments The authors have decided to withdraw this manuscript in order to substantially revise the methodology and experimental design. A significantly updated version with reorganized structure and additional validation studies will be submitted in the future

Adaptive Input-image Normalization for Solving the Mode Collapse Problem in GAN-based X-ray Images

自适应输入图像归一化用于解决基于GAN的X射线图像中的模式崩溃问题

Muhammad Muneeb Saad, Mubashir Husain Rehmani, Ruairi O'Reilly

机构 * Department of Computer Science, Munster Technological University, Cork, Ireland（计算机科学系，穆斯廷技术大学，科克，爱尔兰） 纠错

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

AI总结 本文提出通过自适应输入图像归一化技术缓解GAN生成X射线图像中模式崩溃问题，提升图像多样性和分类性能。

Comments Submitted to the Elsevier Journal

Journal ref Biomedical Signal Processing and Control Volume 111, January 2026, 108333

Stride-Net: Fairness-Aware Disentangled Representation Learning for Chest X-Ray Diagnosis

Stride-Net: 基于公平性的解耦表征学习用于胸部X光诊断

Darakshan Rashid, Raza Imam, Dwarikanath Mahapatra, Brejesh Lall

机构 * Indian Institute of Technology Delhi（印度理工学院德里） ； MBZUAI ； Khalifa University（卡布斯大学） 纠错

专题命中 医学影像 ：diagnosis(title)；分类 cs.CV

AI总结 Stride-Net通过解耦和可学习掩码实现公平性，提升胸部X光诊断的公平性和准确性。

Comments 6 pages, 2 Tables, 3 Figures. Our code is available https://github.com/Daraksh/Fairness_StrideNet

Anatomy-Preserving Latent Diffusion for Generation of Brain Segmentation Masks with Ischemic Infarct

保留解剖结构的潜在扩散生成脑分割掩码：用于缺血性梗死生成

Lucia Borrego, Vajira Thambawita, Marco Ciuffreda, Ines del Val, Alejandro Dominguez, Josep Munuera

机构 * Department of Diagnostic Imaging Hospital de la Santa Creu i Sant Pau Barcelona, Spain（诊断影像部门 塞拉·克鲁与圣帕乌医院 巴塞罗那西班牙） ； Department of Medical Physics Hospital de la Santa Creu i Sant Pau Barcelona, Spain（医学物理部门 塞拉·克鲁与圣帕乌医院 巴塞罗那西班牙） 纠错

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

AI总结 本文提出一种保留解剖结构的潜在扩散模型，用于生成高质量的脑分割掩码，尤其针对缺血性梗死的生成，解决了医学影像中高质量分割掩码稀缺的问题。

Accurate, provable and fast polychromatic tomographic reconstruction: A variational inequality approach

精确、可证明且快速的多色断层成像重建：一种变分不等式方法

Mengqi Lou, Kabir Aladin Verchand, Sara Fridovich-Keil, Ashwin Pananjady

机构 * Georgia Institute of Technology, School of Industrial and Systems Engineering（佐治亚理工学院工业与系统工程学院） ； University of Southern California, Department of Data Sciences and Operations（南加州大学数据科学与运营系） 纠错

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

AI总结 本文提出了一种基于变分不等式的EXACT算法，用于多色断层成像重建，证明了其在统计和计算性能上的优势，并展示了其在实际应用中的高效性。

Comments Accepted at SIAM Journal on Imaging Sciences

VFGS-Net: Frequency-Guided State-Space Learning for Topology-Preserving Retinal Vessel Segmentation

VFGS-Net：基于频率引导的状态空间学习用于保持拓扑的视网膜血管分割

Ruiqi Song, Lei Liu, Ya-Nan Zhang, Chao Wang, Xiaoning Li, Nan Mu

机构 * College of Computer Science Sichuan Normal University（四川师范大学计算机学院） 纠错

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

AI总结 VFGS-Net通过频率引导和状态空间学习，提升视网膜血管分割的拓扑连续性和细血管识别能力。

A Diffusion-Based Generative Prior Approach to Sparse-view Computed Tomography

基于扩散的生成先验方法用于稀疏视角计算机断层扫描

Davide Evangelista, Pasquale Cascarano, Elena Loli Piccolomini

机构 * Department of Computer Science and Engineering University of Bologna（计算机科学与工程系博洛尼亚大学） ； Department of the Art University of Bologna（艺术系博洛尼亚大学） 纠错

专题命中 医学影像 ：CT(abstract)；分类 cs.CV

AI总结 本文提出了一种基于扩散的生成先验方法，用于改善稀疏视角CT图像重建的质量，通过结合生成模型与迭代优化算法，提升重建效果和可解释性。

Comments 13 pages, 5 figures, 1 table