科学与医疗
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
矩核：深度卷积网络中应对旋转与反射等变的简单可扩展方法
机构 * Department of Computational Medicine University of California, Los Angeles（计算医学系 加州大学洛杉矶分校）
专题命中 医学影像 ：MRI(abstract,abstract_cn)；medical image(abstract)；biomedical(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出矩核，一种简单可扩展的正交变换等变卷积核，在生物医学图像任务中提升方向一致性，避免群卷积的方向通道扩展，适配标准CNN工作流程。
用于高效患者特异性术中二维/三维配准的患者无关合成预训练
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、eess.IV
AI总结 研究术中二维/三维配准问题，提出基于患者无关合成预训练和球面相似性学习的框架，先预训练模型学习可转移表示，再用目标CT投影适应新患者，引入无分割域随机化策略，实验证明该方法能降低训练需求并保持配准精度。
用于引入未见医学成像模态的可转移低秩卷积基
机构 * Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学） ； Osaka Metropolitan University（大阪都市大学） ； Chittagong University of Engineering and Technology (CUET)（吉大港工程技术大学） ； Kochi University of Technology（高知工科大学）
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 研究医学成像模型引入未见模态的问题，提出冻结源模态低秩卷积基并训练其向上投影的方法，该方法可转移，能以极少参数引入未见模态，保持源模态准确率不变，还能检测何时需引入。
使用深度学习对胰腺癌可切除性进行多模态评估
机构 * University of Basel（巴塞尔大学） ； Clarunis, University Digestive Health Centre（克拉鲁尼斯大学消化健康中心） ； Kantonsspital Aarau（阿劳州立医院） ； Royal Free Hospital（皇家自由医院）
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、cs.LG
AI总结 研究利用深度学习框架联合分析CT与临床信息，对胰腺癌可切除性分类。通过Swin-UNETR主干获取图像特征，融合临床嵌入，经动态多任务目标训练，能将患者分入NCCN的三种可切除性类别，提高评估准确性。
基于深度活动轮廓和平均曲率损失函数的医学图像分割
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV、eess.IV；biomedical(comments)
AI总结 针对医学图像分割中像素级训练缺乏几何先验信息及分割区域表征不足的问题，提出深度活动轮廓和平均曲率（DACMC）损失函数，用卷积核近似平均曲率，在多数据集上验证性能，展现新最优表现。
Comments 15 pages, 4 figures. Keywords: medical image segmentation, curvature regularization, loss function, active contour model, mean curvature, deep learning. Under review at Biomedical Signal Processing and Control
基于高效扩散变压器的PNI预测的自适应路由
机构 * Seoul National University（首尔国立大学） ； Kyung Hee University（庆熙大学） ； OUTTA ； Chung-Ang University（Chung-Ang 大学） ； Seoul National University School of Medicine（首尔国立大学医学院） ； Samsung Changwon Hospital（三星昌原医院） ； Samsung Medical Center（三星医疗中心） ； NVIDIA AI Technology Center（NVIDIA AI 技术中心）
专题命中 医学影像 ：MRI(summary_cn,abstract)；分类 cs.CV、cs.LG
AI总结 针对胆管癌PNI术前MRI预测难题，传统方法有局限。本文将PNI预测设为扩散分类问题，用基于Transformer的表示实现去噪网络，并引入自适应路由提高效率，实验取得了0.731的AUC及257.57 GFLOPs的结果。
具有不断变化的客户端和标签空间的异步联邦持续分割
机构 * University of Oxford（牛津大学） ； University of Bristol（布里斯托大学）
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、eess.IV
AI总结 研究现实中联邦学习客户端组成和标签空间会变化的问题，提出CA-MMDS框架，通过基于代理的蒸馏更新全局模型，减少通信和计算成本，以多类3D腹部CT分割任务验证其能有效整合客户端知识并获良好分割性能。
双先验引导的零空间学习与样条混合用于任意医学切片超分辨率
机构 * Shanghai Key Laboratory of Multidimensional Information Processing（上海多维信息处理重点实验室） ； East China Normal University（华东师范大学）
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 提出DP-NSL框架，通过测量一致性投影和样条混合模块，在零空间内学习几何连续先验，实现任意尺度医学切片超分辨率，保持测量一致性并优于现有方法。
Comments Accepted to ECCV 2026! Project page: https://github.com/DeepMed-Lab-ECNU/Medical-Image-Reconstruction
利用 Noise2Inverse 实现自监督学习先验-对偶算法
机构 * Research Unit of Mathematical Sciences, University of Oulu, Finland（奥卢大学数学科学研究中心，芬兰） ； Department of Mathematics and Information Science, Josai University, Japan（立命馆大学数学与信息科学系，日本） ； Department of Computer Science, University College London, United Kingdom（伦敦大学学院计算机科学系，英国）
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.LG、eess.IV
AI总结 提出 Noise2Inverse 学习先验-对偶算法 (N2I-LPD)，利用 CT 扫描角度旋转下不同测量噪声的统计独立性，实现无真实图像的自监督训练，提升低剂量和稀疏角度 CT 重建质量。
跨注意力多模态学习预测胃肠道间质瘤新辅助伊马替尼治疗反应：一项多中心回顾性研究
机构 * Department of Radiology and Nuclear Medicine, Erasmus MC Cancer Institute, University Medical Center Rotterdam（埃拉斯姆斯MC癌症研究所放射学与核医学部，埃因霍温医学院鲁特沃特分校） ； Department of Surgical Oncology, Erasmus MC Cancer Institute, University Medical Center Rotterdam（埃拉斯姆斯MC癌症研究所外科肿瘤部，埃因霍温医学院鲁特沃特分校） ； Department of Pathology, Erasmus MC Cancer Institute, University Medical Center Rotterdam（埃拉斯姆斯MC癌症研究所病理学部，埃因霍温医学院鲁特沃特分校） ； Department of Medical Oncology, The Netherlands Cancer Institute, Amsterdam（荷兰癌症研究所医学肿瘤部，阿姆斯特丹） ； Department of Medical Oncology, Leiden University Medical Center, Leiden（莱顿大学医学中心医学肿瘤部，莱顿） ； Department of Medical Oncology, Radboud University Medical Centre, Nijmegen（拉德堡德大学医学中心医学肿瘤部，尼日梅根） ； Department of Medical Oncology, University Medical Center Groningen, University of Groningen（格罗宁根大学医学中心医学肿瘤部，格罗宁根） ； Department of Medical Oncology, Netherlands Cancer Institute, Antoni Van Leeuwenhoek（荷兰癌症研究所医学肿瘤部，安托万·弗莱明）
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、eess.IV
AI总结 本研究开发了一种可解释的跨注意力多模态深度学习框架，整合CT影像和临床变量，用于预测胃肠道间质瘤对新辅助伊马替尼的治疗反应，在内部验证中达到高AUC但外部泛化性有限。
采集状态作为结构化、可测量变量影响肺结节AI：核驱动的测量不稳定性和噪声驱动的检测脆弱性，DICOM元数据不可见
机构 * Daniel Soliman, M.S（丹尼尔·索利曼，硕士）
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、eess.IV
AI总结 研究通过LUNA16训练的RetinaNet检测器，发现CT采集状态（重建核与噪声）独立影响AI的测量与检测性能，且无法从DICOM元数据恢复，提出采集感知的输入验证层。
InfiltrNet: 用于脑肿瘤浸润风险预测的双分支CNN-Transformer架构
机构 * School of Computing, Wichita State University（维斯科萨大学计算学院）
专题命中 医学影像 ：MRI(summary_cn,abstract)；分类 cs.CV、cs.LG
AI总结 提出InfiltrNet，结合CNN和Swin Transformer编码器及交叉注意力融合模块，从多模态MRI预测三区浸润风险图，利用距离变换生成标签，在BraTS数据集上优于五个基线模型。
Comments This work will be extended for a future journal submission
二维与三维扩散在介入X射线AI模型模拟训练中的比较
机构 * Johns Hopkins University（约翰霍普金斯大学）
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、eess.IV
AI总结 本文比较了基于3D条件潜在扩散模型生成CT体数据用于DRR合成与基于视图条件的2D扩散模型直接生成合成X射线两种方法，发现2D扩散生成的合成X射线可用于训练解剖标志检测模型，性能接近真实数据训练模型。
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
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）
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
基于热核先验的流形变分学习
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）
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。
一种用于非笛卡尔傅里叶成像的新k空间模型
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）
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：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
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）
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引导的无监督异常检测表示学习
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）
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。
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
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）
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。
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
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）
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。
贝叶斯元学习用于阿尔茨海默病进展建模
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）
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。
基于全身毫米波扫描的非侵入性身体成分评估
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）
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。
自主X光引导脊柱手术的机器人控制策略学习研究
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）
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。
在临床医生验证的交互式病灶追踪中利用纵向上下文
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）
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
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
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）
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：用于从2D生成器生成3D图像的提升跨切片特征轨迹
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）
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。
基于深度学习的心脏多腔分割中解剖形状先验的评估
机构 * Institute for Medical Informatics, Statistics and Documentation（医学信息学、统计学与文档研究所）
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
已知算子学习的深度风险估计器
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）
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
三维医学影像中的知识迁移扩展定律
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）
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
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
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）
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
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈