医学 AI

Native space based pipelines outperform template space based pipeline in subcortical segmentation

基于原生空间的分割管线在皮层下核团分割中优于基于模板空间的分割管线

Tomás Lima, Daniel Novák, Eduard Bakštein

机构 * Department of Cybernetics, Czech Technical University in Prague（捷克布拉格捷克理工大学控制论系） ； National Institute of Mental Health（国家心理健康研究所） 纠错

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

AI总结 本研究开发了基于原生空间的UNet分割管线，在7T和3T MRI数据上对丘脑底核、红核和黑质进行分割，发现原生空间方法在精度上显著优于模板空间方法，且提高模板分辨率无法改善性能，但7T到3T的域迁移仍是挑战。

Comments 18 pages, 8 figures

Deep Image Prototype Learning with Geometric Heat-Kernel Priors

基于热核先验的流形变分学习

Jiarui Xing, Tal Zeevi, Nian Wu, Jian Wang

机构 * Yale School of Medicine（耶鲁大学医学院） ； University of Virginia（弗吉尼亚大学） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 提出一种流形锚定变分框架，利用几何感知EM算法选择热核加权潜图上的图中心点作为原型，确保原型在流形上，并通过Dirichlet能量正则化保持潜空间几何平滑，在心脏瘢痕和脑MRI基准上取得最高精度和清晰原型。

A New k-Space Model for Non-Cartesian Fourier Imaging

一种用于非笛卡尔傅里叶成像的新k空间模型

Chin-Cheng Chan, Justin P. Haldar

机构 * USC Center for Advanced Research Computing（USC高级研究计算中心） ； Signal and Image Processing Institute（信号与图像处理研究所） 纠错

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

AI总结 针对传统基于体素的傅里叶成像模型计算成本高、收敛慢且易产生伪影的问题，提出一种基于傅里叶域基展开的新模型，在非笛卡尔MRI重建中实现更优图像质量和更低计算复杂度。

MCR-VQGAN: A Scalable and Cost-Effective Tau PET Synthesis Approach for Alzheimer's Disease Imaging

MCR-VQGAN：一种用于阿尔茨海默病成像的可扩展且经济高效的Tau PET合成方法

Jin Young Kim, Jeremy Hudson, Jeongchul Kim, Qing Lyu, Christopher T. Whitlow

机构 * Department of Biomedical Engineering, Wake Forest University School of Medicine（生物医学工程系，威克森林大学医学院） ； Department of Radiology, Wake Forest School of Medicine（放射学系，威克森林医学院） ； Department of Radiology and Biomedical Imaging, Yale School of Medicine（放射学与生物医学成像系，耶鲁医学院） 纠错

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

AI总结 提出MCR-VQGAN模型，通过多尺度卷积、ResNet块和CBAM模块改进VQGAN，从T1加权MRI合成高保真tau PET图像，在ADNI数据集上优于cGAN等方法，且合成图像保留诊断特征，区域SUVR等效分析显示与真实图像高度一致。

Comments Accepted for publication in IEEE Access. 14 pages, 5 figures, 8 tables

OCSVM-Guided Representation Learning for Unsupervised Anomaly Detection

OCSVM引导的无监督异常检测表示学习

Nicolas Pinon, Robin Trombetta, Carole Lartizien

机构 * Univ. Lyon（里昂大学） ； CNRS UMR 5220（国家科学研究中心UMR 5220） ； Inserm U1294（法国国家医学研究院U1294） ； INSA Lyon（里昂国立应用科学学院） ； UCBL（里昂大学） ； CREATIS（里昂大学生物医学图像研究中心） 纠错

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

AI总结 提出一种将表示学习与可解析求解的一类SVM耦合的方法，通过定制损失函数直接对齐潜在特征与决策边界，在MNIST-C和脑MRI病变检测任务上展现了鲁棒性和性能。

Impact of Synthetic Lesional MR Images in Automated Focal Cortical Dysplasia Detection in Low-Data Scenarios

合成病灶MR图像在低数据场景下自动局灶性皮质发育不良检测中的影响

Prabhjot Kaur, Hakim Ouaalam, Sedat Kandemirli, Sanjay P. Prabhu, Simon K. Warfield

机构 * Computational Radiology Laboratory（计算放射学实验室） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 本研究通过条件生成网络合成FCD病灶MRI数据，评估其真实性及对自动检测的影响，发现合成数据可减少约20%标注需求，但真实数据仍更有效。

Graph-Guided Universum Learning in Generalized Eigenvalue Proximal SVMs for Alzheimer's Disease Classification

基于图引导的广义特征值近端支持向量机中的Universum学习用于阿尔茨海默病分类

Yogesh Kumar, Vrushank Ahire, Mudasir Ganaie

机构 * Dept. of Computer Science and Engineering, IIT Ropar, Punjab 140001, India（计算机科学与工程系，IIT罗帕尔，旁遮普140001，印度） 纠错

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

AI总结 针对阿尔茨海默病分类，提出两种图引导的Universum学习模型UG-GEPSVM和IUG-GEPSVM，利用轻度认知障碍样本构建图拉普拉斯正则化，替代传统独立惩罚项，在ADNI MRI数据集上取得更优性能。

Bayesian meta-learning for modeling Alzheimer's disease progression

贝叶斯元学习用于阿尔茨海默病进展建模

Clara Hoffmann, Nadja Klein

机构 * Scientific Computing Center, Karlsruhe Institute of Technology, Germany（卡尔斯鲁厄理工学院科学计算中心，德国） ； Alzheimer’s Disease Neuroimaging Initiative（阿尔茨海默病神经影像计划） 纠错

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

AI总结 提出贝叶斯元学习方法，利用个体历史MRI体积和疾病轨迹预测疾病评分分布，无需重新训练即可动态预测，并减少长期预测的过度自信。

Non-intrusive Body Composition Assessment from Full-body mmWave Scans

基于全身毫米波扫描的非侵入性身体成分评估

Miriam Senne, Benjamin D. Killeen, Tony Danjun Wang, Nassir Navab

机构 * Chair for Computer Aided Medical Procedures（计算机辅助医疗程序研究所） ； Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

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

AI总结 提出一种利用毫米波雷达扫描通过多任务学习回归身体成分指标的方法，在真实扫描中实现了内脏脂肪体积和体脂百分比的预测。

Investigating Robot Control Policy Learning for Autonomous X-ray-guided Spine Procedures

自主X光引导脊柱手术的机器人控制策略学习研究

Florence Klitzner, Blanca Inigo, Benjamin D. Killeen, Lalithkumar Seenivasan, Michelle Song, Axel Krieger, Mathias Unberath

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Technical University of Munich（慕尼黑技术大学） ； Johns Hopkins School of Medicine（约翰霍普金斯医学院） 纠错

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

AI总结 本文研究基于模仿学习的机器人控制策略在稀疏输入（双平面X光）下进行椎体成形术中的可行性，通过模拟环境训练策略实现基于视觉的套管针迭代对齐，首次尝试成功率达68.5%，并展示了向复杂解剖结构和真实X光的迁移能力，但存在入口点精度不足等局限。

Exploiting Longitudinal Context in Clinician-Verified Interactive Lesion Tracking

在临床医生验证的交互式病灶追踪中利用纵向上下文

Yannick Kirchhoff, Maximilian Rokuss, Daniel Philipp Mertens, David Füller, Benjamin Hamm, Andreas Schreyer, Oliver Ritter, Klaus Maier-Hein

机构 * German Cancer Research Center (DKFZ) Heidelberg, Division of Medical Image Computing, Germany（德国癌症研究中心（DKFZ）海德堡，医学图像计算部，德国） ； Faculty of Mathematics and Computer Science, Heidelberg University, Germany（海德堡大学数学与计算机科学学院，德国） ； HIDSS4Health -- Helmholtz Information and Data Science School for Health, Karlsruhe/Heidelberg, Germany（HIDSS4Health——海德堡信息与数据科学健康学校，卡尔斯鲁厄/海德堡，德国） ； Medical Faculty, Heidelberg University, Germany（海德堡大学医学学院，德国） ； University Hospital Brandenburg an der Havel, Brandenburg Medical School Theodor Fontane, Germany（勃兰登堡运河大学医院，布兰登堡泰奥多尔·冯·_fontane医学学校，德国） ； Pattern Analysis and Learning Group, Department of Radiation Oncology, Heidelberg University Hospital, Germany（放射肿瘤科模式分析与学习组，海德堡大学医院，德国） 纠错

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

AI总结 提出一种临床医生验证的追踪范式，结合早期空间提示融合与潜在时间差异加权，通过大规模合成预训练提升纵向上下文利用，在MICCAI autoPET IV挑战中获第一，并发布PanTrack基准。

Comments Accepted at MICCAI 2026

Rapid patient-specific neural networks for intraoperative X-ray to volume registration

快速的患者特异性神经网络用于术中X射线到体积的配准

Vivek Gopalakrishnan, David-Dimitris Chlorogiannis, Andrew Abumoussa, Anna M. Larson, Nazim Haouchine, Darren B. Orbach, Sarah Frisken, Neel Dey, Polina Golland

机构 * Harvard-MIT Health Sciences and Technology, Massachusetts Institute of Technology（哈佛-麻省理工健康科学与技术, 麻省理工学院） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室, 麻省理工学院） ； Department of Radiology, Harvard Medical School（哈佛医学院放射科） ； Saint Luke’s Marion Bloch Neuroscience Institute（圣路易斯马里恩布洛克神经科学研究所） ； Department of Critical Care Medicine, Shriners Children’s Hospital（谢尔曼儿童医院重症医学科） ； Department of Interventional Neuroradiology, Boston Children’s Hospital（波士顿儿童医院介入神经放射科） ； Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital（阿提努拉A·马丁诺斯生物医学成像中心, 麻省总医院） 纠错

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

AI总结 本文提出了一种自监督框架xvr，结合患者特异性神经网络和梯度优化，实现了快速且准确的2D到3D配准，通过物理模拟生成训练数据，无需手动标注，提升了临床和研究社区的广泛应用能力。

LiFT: Lifted Inter-slice Feature Trajectories for 3D Image Generation from 2D Generators

LiFT：用于从2D生成器生成3D图像的提升跨切片特征轨迹

Xinhe Zhang, Yuyang Zhang, Pengfei Jin, Arnau Marin-Llobet, Na Li, Quanzheng Li

机构 * School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Center for Advanced Medical Computing and Analysis, Massachusetts General Hospital and Harvard Medical School（马萨诸塞总医院和哈佛医学院高级医学计算与分析中心） ； Kempner Institute, Harvard University（哈佛大学凯普纳研究所） 纠错

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

AI总结 本文提出LiFT框架，通过将3D体积合成分解为单切片图像生成和跨切片轨迹学习，解决高分辨率3D医学图像生成中体积模型计算成本高和2D切片生成器在第三维度上无法保持解剖一致性的问题。

Evaluation of Anatomical Shape Priors in Deep Learning-Based Cardiac Multi-Compartment Segmentation

基于深度学习的心脏多腔分割中解剖形状先验的评估

Michael Hudler, Franz Thaler, Martin Urschler

机构 * Institute for Medical Informatics, Statistics and Documentation（医学信息学、统计学与文档研究所） 纠错

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

AI总结 本文评估了轻量级显式形状先验在心脏多腔CT分割中的效果，发现标准3D U-Net仍为强大基线，手工先验效果有限，未来需更 expressive 的学习先验。

Comments Published in the Proceedings of the Third Austrian Symposium on AI, Robotics, and Vision (AIRoV 2026), pp. 23-27

A Deep Risk Estimator for Known Operator Learning

已知算子学习的深度风险估计器

Andreas Maier, Md Hasan, Paulina Conrad, Paula Andrea Perez-Toro

机构 * Pattern Recognition Lab（模式识别实验室） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） 纠错

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

AI总结 本文提出一种深度风险估计器，用于估计包含学习和已知算子的深度网络的统计风险，通过分解总风险并分析各层贡献，验证了替换学习层为已知算子可降低界，并应用于CT重建和物理引导神经网络。

Comments In Review

Knowledge Transfer Scaling Laws for 3D Medical Imaging

三维医学影像中的知识迁移扩展定律

Ho Hin Lee, Dongna Du, Chu Wang, Yuankai Huo, Shi Gu, James C. Gee, Yifan Wu

机构 * Vanderbilt University（范德比大学） ； Zhejiang University（浙江大学） ； McGill University（麦吉尔大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 本文研究了三维医学影像中不同域的预训练扩展规律，提出基于可转移性的数据分配方法，提升跨域迁移效果，实验表明该方法在疾病分类和器官分割任务中表现更优。

Comments 20 Pages

Submanifold Sparse Convolutional Networks for Automated 3D Segmentation of Kidneys and Kidney Tumours in Computed Tomography

子流形稀疏卷积网络用于计算机断层扫描中肾脏及肾肿瘤的自动三维分割

Saúl Alonso-Monsalve, Leigh H. Whitehead, Adam Aurisano, Lorena Escudero Sanchez

机构 * ETH Zürich, Institute for Particle Physics and Astrophysics（苏黎世联邦理工学院，粒子物理与天体物理研究所） ； University of Cambridge, Department of Physics（剑桥大学，物理系） ； University of Cincinnati, Department of Physics（辛辛那提大学，物理系） ； University of Cambridge, Department of Radiology（剑桥大学，放射学系） 纠错

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

AI总结 本文提出基于体素稀疏化和子流形稀疏卷积网络的两阶段3D分割方法，用于提高CT图像中肾脏及肿瘤的分割效率与精度，实验表明其在速度和内存使用上均优于现有方法。

Comments 15 pages, 6 figures

DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction

DiffNR: 用于稀疏视图3D断层成像重建的扩散增强神经表示优化

Shiyan Su, Ruyi Zha, Danli Shi, Hongdong Li, Xuelian Cheng

机构 * Monash University（莫纳什大学） ； The Australian National University（澳大利亚国立大学） ； Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 DiffNR通过引入扩散先验改进神经表示优化，解决稀疏视图下CT成像的严重伪影问题，提升PSNR并保持高效优化。

Comments Accepted to AAAI 2026. Project page: https://ooonesevennn.github.io/DiffNR/

Neuro-Oracle: A Trajectory-Aware Agentic RAG Framework for Interpretable Epilepsy Surgical Prognosis

Neuro-Oracle：一种具有轨迹意识的代理RAG框架用于可解释性癫痫手术预后

Aizierjiang Aiersilan, Mohamad Koubeissi

机构 * The George Washington University（乔治华盛顿大学） 纠错

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

AI总结 本文提出Neuro-Oracle框架，通过三维Siamese对比编码器提取术前术后MRI变化，检索历史相似手术轨迹，并利用量化Llama-3-8B推理代理生成自然语言预后，验证了轨迹意识检索架构的可行性。

AGFS-Tractometry: A Novel Atlas-Guided Fine-Scale Tractometry Approach for Enhanced Along-Tract Group Statistical Comparison Using Diffusion MRI Tractography

AGFS-束测：一种基于图谱的精细束测方法，用于利用弥散MRI束图进行增强的沿束群体统计比较

Ruixi Zheng, Wei Zhang, Yijie Li, Xi Zhu, Zhou Lan, Jarrett Rushmore, Yogesh Rathi, Nikos Makris, Lauren J. O'Donnell, Fan Zhang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里奇曼妇女医院） ； Boston University（波士顿大学） 纠错

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

AI总结 AGFS-束测提出了一种基于图谱的精细束测方法，通过利用弥散MRI束图信息和排列检验，提高沿束群体统计比较的敏感性和特异性，有效识别白质群体差异。

Comments 31 pages and 7 figures

Decoding the human brain tissue response to radiofrequency excitation using a biophysical-model-free deep MRI on a chip framework

利用芯片上的深度MRI框架解码人类脑组织对射频激发的响应

Dinor Nagar, Moritz Zaiss, Or Perlman

专题命中 医学影像 ：MRI(title,abstract)；diagnosis(abstract)；分类 q-bio

AI总结 该研究提出了一种基于视觉Transformer的芯片上MRI框架，通过快速校准扫描实现对脑组织射频激发响应的解码，提高了MRI检查效率并拓展了临床应用范围。

Comments This project was funded by the European Union (ERC, BabyMagnet, project no. 101115639). Views and opinions expressed are however those of the authors only and do not necessarily reflect those of the European Union or the European Research Council. Neither the European Union nor the granting authority can be held responsible for them

Denoising Diffusion Models for Anomaly Localization in Medical Images

医学图像中异常定位的去噪扩散模型

Cosmin I. Bercea, Philippe C. Cattin, Julia A. Schnabel, Julia Wolleb

机构 * School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院） ； Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich, Germany（生物医学影像机器学习研究所，海德堡慕尼黑德国） ； Department of Biomedical Engineering, University of Basel, Allschwil, Switzerland（巴塞尔大学生物医学工程系，瑞士Allschwil） ； School of Biomedical Engineering and Imaging Sciences, King’s College London, United Kingdom（伦敦国王学院生物医学工程与影像科学学院，英国） ； Department of Biomedical Informatics and Data Science, Yale University School of Medicine, New Haven, CT, USA（耶鲁大学医学院生物医学信息学与数据科学系，美国新罕布什尔州新 Haven） ； Yale Biomedical Imaging Institute, Yale University, New Haven, CT, USA（耶鲁大学生物医学影像研究院，美国新罕布什尔州新 Haven） 纠错

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

AI总结 本文探讨了利用去噪扩散模型在医学图像中实现异常定位的方法，分析了不同监督方案的有效性及挑战，指出扩散模型在该领域的应用潜力。

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2025:030

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

RoentMod: A Synthetic Chest X-Ray Modification Model to Identify and Correct Image Interpretation Model Shortcuts

Lauren H. Cooke, Matthias Jung, Jan M. Brendel, Nora M. Kerkovits, Borek Foldyna, Michael T. Lu, Vineet K. Raghu

专题命中 医学影像 ：medical AI(abstract)；medical image(abstract)；pathology(abstract)；radiology(abstract)

Comments 25 + 8 pages, 4 + 7 figures

Full-Head Segmentation of MRI with Abnormal Brain Anatomy: Model and Data Release

Andrew M Birnbaum, Adam Buchwald, Peter Turkeltaub, Adam Jacks, George Carra, Shreya Kannana, Yu Huang, Abhisheck Datta, Lucas C Parra, Lukas A Hirsch

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

Quest for a clinically relevant medical image segmentation metric: the definition and implementation of Medical Similarity Index

Szuzina Fazekas, Bettina Katalin Budai, Viktor Bérczi, Pál Maurovich-Horvat, Zsolt Vizi

专题命中 医学影像 ：medical image(title,abstract)；radiology(abstract)；分类 q-bio

Interpretable Prediction of Lymph Node Metastasis in Rectal Cancer MRI Using Variational Autoencoders

Benjamin Keel, Aaron Quyn, David Jayne, Maryam Mohsin, Samuel D. Relton

机构 * University of Leeds（利兹大学） ； Leeds Teaching Hospitals NHS Trust（利兹教学医院国家健康服务信托） 纠错

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

Comments Published in Medical Image Understanding and Analysis (MIUA) 2025

Journal ref In: Ali, S., Hogg, D.C., Peckham, M. (eds) Medical Image Understanding and Analysis. MIUA 2025. Lecture Notes in Computer Science, vol 15917. Springer, Cham (2026)

A Novel Automatic Real-time Motion Tracking Method in MRI-guided Radiotherapy Using Enhanced Tracking-Learning-Detection Framework with Automatic Segmentation

Shengqi Chen, Zilin Wang, Jianrong Dai, Shirui Qin, Ying Cao, Ruiao Zhao, Jiayun Chen, Guohua Wu, Yuan Tang

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

LiteNeXt: A Novel Lightweight ConvMixer-based Model with Self-embedding Representation Parallel for Medical Image Segmentation

Ngoc-Du Tran, Thi-Thao Tran, Quang-Huy Nguyen, Manh-Hung Vu, Van-Truong Pham

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

Comments This manuscript has been accepted by Biomedical Signal Processing and Control

Journal ref Biomedical Signal Processing and Control, 2025

Unraveling Normal Anatomy via Fluid-Driven Anomaly Randomization

Peirong Liu, Ana Lawry Aguila, Juan E. Iglesias

专题命中 医学影像 ：medical image(abstract)；MRI(abstract)；CT(abstract)；pathology(abstract)

Comments 16 pages, 6 figures

Finding Reproducible and Prognostic Radiomic Features in Variable Slice Thickness Contrast Enhanced CT of Colorectal Liver Metastases

Jacob J. Peoples, Mohammad Hamghalam, Imani James, Maida Wasim, Natalie Gangai, Hyunseon Christine Kang, X. John Rong, Yun Shin Chun, Richard K. G. Do, Amber L. Simpson

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

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:032

Journal ref Machine.Learning.for.Biomedical.Imaging. 2 (2025)