医学 AI

SplitFed-CL: A Split Federated Co-Learning Framework for Medical Image Segmentation with Inaccurate Labels

SplitFed-CL：一种用于带不准确标签的医学图像分割的分裂联邦协同学习框架

Zahra Hafezi Kafshgari, Hadi Hadizadeh, Parvaneh Saeedi

机构 * School of Engineering Science, Simon Fraser University, Burnaby, BC, Canada（工程科学学院，西蒙弗雷泽大学，本拿比，BC，加拿大） 纠错

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

AI总结 SplitFed-CL通过全局教师指导本地学生检测并修正不可靠标注，提升医学图像分割性能，实验显示其优于七种现有方法。

Multi-Modal Multi-Agent Reinforcement Learning for Radiology Report Generation

多模态多智能体强化学习在放射学报告生成中的应用

Kaito Baba, Risa Kishikawa, Satoshi Kodera

机构 * Department of Cardiovascular Medicine（心血管医学科） 纠错

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

AI总结 本文提出MARL-Rad框架，通过多智能体强化学习提升放射学报告生成的临床效果，通过联合优化区域特定智能体和全局整合智能体，提高报告的准确性和一致性。

Comments 23 pages, 4 figures

Dino U-Net: Exploiting High-Fidelity Dense Features from Foundation Models for Medical Image Segmentation

Dino U-Net：利用基础模型的高保真密集特征进行医学图像分割

Haoyue Li, Yifan Gao, Feng Yuan, Xiaosong Wang, Xin Gao

机构 * School of Biomedical Engineering (Suzhou), Division of Life Science and Medicine, University of Science and Technology of China, Hefei, China（生物医学工程学院（苏州），生命科学与医学系，中国科学技术大学，合肥，中国） ； Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences, Suzhou, China（苏州生物医学工程与技术研究所，中国科学院，苏州，中国） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院，上海，中国） ； Medical School of Tianjin University, Tianjin, China（天津大学医学院，天津，中国） ； Jinan Guoke Medical and Technology Development Co., Ltd., Pharmaceutical Valley New Drug Creation Platform, Jinan, China（济南国科医药科技发展有限公司，药谷新药创制平台，济南，中国） 纠错

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

AI总结 本文提出Dino U-Net，通过融合DINOv3模型的语义特征与低层空间细节，提升医学图像分割精度，实验表明其在多种影像模态中均优于现有方法。

Comments MICCAI 2026

A Generalist Model for Diverse Text-Guided Medical Image Synthesis

一种通用模型用于多样化文本引导的医学图像合成

Joseph Cho, Mrudang Mathur, Cyril Zakka, Dhamanpreet Kaur, Matthew Leipzig, Alex Dalal, Aravind Krishnan, Eubee Koo, Karen Wai, Cindy S. Zhao, Akshay Chaudhari, Matthew Duda, Ashley Choi, Ehsan Rahimy, Lyna Azzouz, Robyn Fong, Rohan Shad, William Hiesinger

机构 * Department of Cardiothoracic Surgery（心脏外科部门） ； Stanford Medicine（斯坦福医学） ； Department of Ophthalmology（眼科部门） ； Division of Cardiovascular Surgery（心血管外科分会） ； Penn Medicine（宾夕法尼亚医学） 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MediSyn模型，通过公开数据训练，生成六种医学领域和十种成像模态的合成图像，验证了通用模型在效率、质量和医学应用中的优势。

Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT

隐匿与寻找归因：基于弱监督的CT椎体转移瘤分割

Matan Atad, Alexander W. Marka, Lisa Steinhelfer, Anna Curto-Vilalta, Yannik Leonhardt, Sarah C. Foreman, Anna-Sophia Walburga Dietrich, Robert Graf, Alexandra S. Gersing, Bjoern Menze, Daniel Rueckert, Jan S. Kirschke, Hendrik Möller

机构 * Institute of Neuroradiology, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院神经放射学研究所，医学与健康学院，慕尼黑工业大学） ； Chair for AI in Healthcare and Medicine, TUM and TUM University Hospital（慕尼黑工业大学及大学医院医疗与医学人工智能教席） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Institute of Diagnostic and Interventional Radiology, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院诊断与介入放射学研究所，医学与健康学院，慕尼黑工业大学） ； Department of Neuroradiology, University Hospital Munich (LMU)（慕尼黑大学医院神经放射学系） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； Department of Diagnostic and Interventional Radiology, University Hospital Frankfurt（法兰克福大学医院诊断与介入放射学系） ； Department of Orthopedics and Sports Orthopedics, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院骨科与运动骨科，医学与健康学院，慕尼黑工业大学） 纠错

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

AI总结 本文提出一种基于椎体级别标签的弱监督分割方法，通过扩散自编码器和像素差异图识别可疑病变区域，利用隐匿与寻找归因机制在数据流形上投影并量化恶性贡献，实现高精度的椎体转移瘤分割。

Comments Accepted to MIDL 2026

Flemme: A Flexible and Modular Learning Platform for Medical Images

Flemme：一种灵活且模块化的医学图像学习平台

Guoqing Zhang, Jingyun Yang, Yang Li

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Peng Cheng Laboratory（鹏城实验室） 纠错

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

AI总结 本文提出Flemme平台，通过分离编码器与模型架构，支持多种编码器和架构组合，提升医学图像处理的灵活性和效率，实验表明其在分割和重建任务中均取得显著性能提升。

Comments 8 pages, 6 figures

Ray-driven Spectral CT Reconstruction Based on Neural Base-Material Fields

基于神经基材场的射线驱动光谱CT重建

Ligen Shi, Ping Yang, Chang Liu, Wei Zhang, Xing Zhao, Jun Qiu

机构 * College of Computer Science (College of Software), Inner Mongolia University（内蒙古大学计算机学院（软件学院）） ； Institute of Nuclear and New Energy Technology, Collaborative Innovation Center of Advanced Nuclear Energy Technology, Key Laboratory of Advanced Reactor Engineering and Safety of Ministry of Education, Tsinghua University（清华大学核能与新能源技术研究院，先进核能技术协同创新中心，先进反应堆工程与安全教育部重点实验室） ； Institute of Computational Imaging, Beijing Information Science and Technology University（北京信息科技大学计算成像研究所） ； National Key Laboratory of Strength and Structural Integrity, Aircraft Strength Research Institute of China（中国飞机强度研究所强度与结构完整性全国重点实验室） ； School of Mathematical Sciences, Capital Normal University（首都师范大学数学科学学院） 纠错

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

AI总结 本文提出基于神经基材场的射线驱动光谱CT重建方法，通过神经场表示参数化物体的衰减系数，避免了像素驱动投影系数矩阵的复杂计算，提高了积分近似精度，实验验证了方法在光谱CT重建中的有效性。

Comments 12 pages,10 figures

Few-Shot Distribution-Aligned Flow Matching for Data Synthesis in Medical Image Segmentation

少样本分布对齐流匹配用于医学图像分割的数据合成

Jie Yang, Ziqi Ye, Aihua Ke, Jian Luo, Bo Cai, Xiaosong Wang

机构 * Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University（武汉大学网络空间安全学院、空天信息安全与可信计算教育部重点实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 本文提出AlignFlow模型，通过可微奖励微调对齐目标参考图像分布，提升小样本下数据合成效果，实验显示在多个数据集上mDice和mIoU指标提升3.5-5.6%。

Clinical utility of foundation models in musculoskeletal MRI for biomarker fidelity and predictive outcomes

基础模型在骨科MRI中的临床效用：生物标志物准确性与预测结果

Gabrielle Hoyer, Michelle W Tong, Rupsa Bhattacharjee, Valentina Pedoia, Sharmila Majumdar

机构 * Center for Intelligent Imaging, Department of Radiology and Biomedical Imaging, University of California, San Francisco（加利福尼亚大学旧金山分校放射与生物医学影像系智能成像中心） ； Department of Bioengineering, University of California, Berkeley（加利福尼亚大学伯克利分校生物工程系） ； Department of Bioengineering and Therapeutic Sciences, University of California, San Francisco（加利福尼亚大学旧金山分校生物工程与治疗科学系） ； Department of Medical Sciences and Technology, Indian Institute of Technology, Madras（印度理工学院马德拉斯分校医学科学与技术系） ； Bay Area Institute of Computation, Altos Labs（Altos Labs湾区计算研究所） 纠错

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

AI总结 本文提出了一种模块化系统，将常规MRI转化为标准化定量生物标志物，用于临床决策支持。通过微调基础分割模型，实现了自动检测和提示，提高了生物标志物的临床可靠性，并展示了其在膝关节分层和预测膝关节置换及骨关节炎中的应用。

Comments Under review at npj Digital Medicine (revision submitted Jan 2026) | Code: https://github.com/gabbieHoyer/AutoMedLabel | Supplementary data/tables: https://doi.org/10.6084/m9.figshare.29633207

Journal ref npj Digit. Med. (2026)

Structure is Supervision: Multiview Masked Autoencoders for Radiology

结构是监督：用于放射学的多视图掩码自编码器

Sonia Laguna, Andrea Agostini, Alain Ryser, Samuel Ruiperez-Campillo, Irene Cannistraci, Moritz Vandenhirtz, Stephan Mandt, Nicolas Deperrois, Farhad Nooralahzadeh, Michael Krauthammer, Thomas M. Sutter, Julia E. Vogt

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Department of Computer Science, UC Irvine（加州大学尔湾分校计算机科学系） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） 纠错

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

AI总结 本文提出多视图掩码自编码器（MVMAE），通过利用放射学研究的多视图结构学习视图不变和疾病相关表征，并在三个公开数据集上验证了其在疾病分类任务中的优越性能。

Journal ref Transactions on Machine Learning Research (TMLR) 2026

Automated Detection of Multiple Sclerosis Lesions on 7-tesla MRI Using U-net and Transformer-based Segmentation

使用UNet和基于Transformer的分割方法自动检测多发性硬化症病变

Michael Maynord, Minghui Liu, Cornelia Fermüller, Seongjin Choi, Yuxin Zeng, Shishir Dahal, Daniel M. Harrison

机构 * Department of Neurology, University of Maryland School of Medicine（马里兰大学医学院神经内科） ； Baltimore VA Medical Center, VA Maryland Healthcare System（巴尔的摩退伍军人事务医疗中心，马里兰州退伍军人医疗系统） 纠错

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

AI总结 本文研究了在7T MRI上使用UNet和Transformer分割方法检测多发性硬化症白质病变的可行性，通过对比不同模型的性能，验证了7T分辨率在小病变检测中的优势。

Comments 31 pages, 3 figures, 3 tables. Inference code and model weights available at https://github.com/maynord/7T-MS-lesion-segmentation

Unified Medical Image Tokenizer for Autoregressive Synthesis and Understanding

统一的医学图像标记器用于自回归合成与理解

Chenglong Ma, Yuanfeng Ji, Jin Ye, Zilong Li, Chenhui Wang, Junzhi Ning, Wei Li, Lihao Liu, Qiushan Guo, Tianbin Li, Junjun He, Hongming Shan

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Stanford University（斯坦福大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； ByteDance Seed（字节跳动Seed） 纠错

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

AI总结 本文提出MedITok，通过两阶段训练框架统一医学图像标记器，利用大规模未配对图像提升重建精度，并结合图像-文本对注入细粒度语义，实现自回归建模在诊断和生成任务中的应用。

MoRe-3DGSMR: Motion-resolved reconstruction framework for free-breathing pulmonary MRI based on 3D Gaussian representation

MoRe-3DGSMR：基于3D高斯表示的自由呼吸肺部MRI运动解析重建框架

Tengya Peng, Ruyi Zha, Qing Zou

机构 * Department of Biomedical Engineering, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心生物医学工程系） ； Australian National University（澳大利亚国立大学） ； Department of Pediatrics, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心儿科学系） ； Department of Radiology, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心放射学系） ； Advanced Imaging Research Center, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心高级影像研究中心） 纠错

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

AI总结 本文提出一种无监督的自由呼吸肺部MRI运动解析重建框架，利用3D高斯表示解决运动解析3D等距肺部MRI重建问题，通过空间表示连续化提升图像质量。

Beyond Benchmarks: A Framework for Post Deployment Validation of CT Lung Nodule Detection AI

超越基准：一种用于CT肺结节检测AI部署后验证的框架

Daniel Soliman

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

AI总结 本文提出了一种基于物理的框架，用于评估部署的肺结节检测模型对CT采集参数系统性变化的敏感性，发现切片厚度对AI性能的影响比图像噪声更根本。

TimeFlow: Temporal Conditioning for Longitudinal Brain MRI Registration and Aging Analysis

TimeFlow：用于纵向脑MRI配准和衰老分析的时间条件

Bailiang Jian, Jiazhen Pan, Yitong Li, Fabian Bongratz, Ruochen Li, Daniel Rueckert, Benedikt Wiestler, Christian Wachinger

机构 * Technical University of Munich, TUM University Hospital（慕尼黑工业大学，慕尼黑工业大学附属医院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Munich Data Science Institute (MDSI)（慕尼黑数据科学研究所） ； Imperial College London（伦敦帝国理工学院） 纠错

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

AI总结 TimeFlow通过时间条件学习框架实现纵向脑MRI配准与衰老分析，利用两个扫描数据预测未来脑状态，无需密集采样数据，提升预测精度与连续性。

Journal ref IEEE Transactions on Medical Imaging 2026

FINDER: Zero-Shot Field-Integrated Network for Distortion-free EPI Reconstruction in Diffusion MRI

FINDER：用于扩散磁共振成像中无失真EPI重建的零样本场积分网络

Namgyu Han, Seong Dae Yun, Chaeeun Lim, Sunghyun Seok, Sunju Kim, Yoonhwan Kim, Yohan Jun, Tae Hyung Kim, Berkin Bilgic, Jaejin Cho

机构 * Sejong University（世宗大学） ； Forschungszentrum Jülich（于利希研究中心） ； Athinoula A. Martinos Center for Biomedical Imaging（Athinoula A. Martinos生物医学成像中心） ； Harvard Medical School（哈佛医学院） ； Hongik University（弘益大学） 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FINDER网络，通过联合优化图像和B0场图，解决EPI重建中的几何失真问题，提升扩散成像质量。

Comments 11 pages, 4 figures

Cone-Beam CT Image Quality Enhancement Using A Latent Diffusion Model Trained with Simulated CBCT Artifacts

使用基于伪CBCT伪影训练的条件潜变量扩散模型进行锥束CT图像质量增强

Naruki Murahashi, Mitsuhiro Nakamura, Megumi Nakao

机构 * Graduate School of Medicine, Kyoto University（京都大学医学研究科） 纠错

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

AI总结 本文提出一种基于条件潜变量扩散模型的锥束CT图像质量增强方法，利用伪CBCT图像进行自监督学习，有效提升图像质量并保持解剖结构，实验表明其在处理速度和图像改善性能上优于传统方法。

Synthetic Cardiac MRI Image Generation using Deep Generative Models

利用深度生成模型合成心脏MRI图像

Ishan Kumarasinghe, Dasuni Kawya, Madhura Edirisooriya, Isuri Devindi, Isuru Nawinne, Vajira Thambawita

机构 * Department of Computer Engineering（计算机工程系） ； University of Peradeniya（珀德尼亚大学） ； University of Maryland（马里兰大学） ； Department of Holistic Systems（整体系统系） ； SimulaMet ； Oslo, Norway（挪威奥斯陆） 纠错

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

AI总结 本文综述了通过深度生成模型生成合成心脏MRI图像的方法，探讨了在保真度、实用性和隐私方面现有技术的局限性，并强调了需要集成评估驱动框架以确保临床工作流程的可靠性。

Comments 12 pages, 2 figures, Preprint

MedAugment: Universal Automatic Data Augmentation Plug-in for Medical Image Analysis

MedAugment: 用于医学图像分析的通用自动数据增强插件

Zhaoshan Liu, Qiujie Lv, Yifan Li, Ziduo Yang, Lei Shen

机构 * Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） ； School of Computer and Artificial Intelligence, Zhengzhou University（郑州大学计算机与人工智能学院） ； Department of Electronic Engineering, Jinan University（济南大学电子工程系） 纠错

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

AI总结 本文提出MedAugment，一种通用自动数据增强方法，通过像素和空间增强空间及超参数映射关系，实现医学图像的高效增强，减少计算开销并避免颜色失真。

Comments Knowledge-Based Systems Accepted

Harnessing Lightweight Transformer with Contextual Synergic Enhancement for Efficient 3D Medical Image Segmentation

利用轻量级Transformer与上下文协同增强进行高效的3D医学图像分割

Xinyu Liu, Zhen Chen, Wuyang Li, Chenxin Li, Yixuan Yuan

机构 * Department of Electronic Engineering, The Chinese University of Hong Kong, Hong Kong SAR（电子工程系，香港中文大学（深圳）Hong Kong SAR） ； Centre for Artificial Intelligence and Robotics (CAIR), Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences, Hong Kong SAR（人工智能与机器人中心（CAIR），香港科学与创新研究院，中国科学院，Hong Kong SAR） 纠错

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

AI总结 本文提出Light-UNETR，通过轻量级维度缩减注意力模块和紧凑门控线性单元提升模型效率，结合上下文协同增强策略提高数据效率，在少量标注数据下实现高效3D医学图像分割。

Comments Accepted to IEEE TPAMI

Single-Subject Multi-View MRI Super-Resolution via Implicit Neural Representations

单受试多视角MRI超分辨率通过隐式神经表示

Heejong Kim, Abhishek Thanki, Roel van Herten, Daniel Margolis, Mert R Sabuncu

机构 * Department of Radiology, Weill Cornell Medicine, New York, USA（韦尔·科恩医学系放射科，纽约，美国） ； School of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程学院） ； Cornell Tech, New York, USA（康奈尔科技，纽约，美国） ； Weill Cornell Graduate School of Medical Sciences, New York, USA（韦尔·科恩医学科学研究生院，纽约，美国） 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SIMS-MRI框架，通过隐式神经表示和多分辨率哈希编码实现单患者多视角MRI的等效超分辨率，无需预处理。

From Coarse to Continuous: Progressive Refinement Implicit Neural Representation for Motion-Robust Anisotropic MRI Reconstruction

从粗到连续：用于运动鲁棒各向异性MRI重建的渐进细化隐式神经表示

Zhenxuan Zhang, Lipei Zhang, Yanqi Cheng, Zi Wang, Fanwen Wang, Haosen Zhang, Yue Yang, Yinzhe Wu, Jiahao Huang, Angelica I Aviles-Rivero, Zhifan Gao, Guang Yang, Peter J. Lally

机构 * Department of Bioengineering and Imperial-X, Imperial College London（生物工程系和Imperial-X，帝国理工学院伦敦分校） ； Department of Bioengineering, Imperial College London（生物工程系，帝国理工学院伦敦分校） 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PR-INR框架，通过运动感知扩散模块、隐式细节恢复模块和体素连续感知表示模块，解决MRI重建中的运动、结构和各向异性问题，提升重建质量和鲁棒性。

HamVision: Hamiltonian Dynamics as Inductive Bias for Medical Image Analysis

HamVision：哈密顿动力学作为医学图像分析的归纳偏差

Mohamed A Mabrok

机构 * Department of Mathematics and Statistics, Qatar University（数学与统计学系，卡塔尔大学） 纠错

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

AI总结 HamVision利用阻尼谐振子作为结构化归纳偏差，通过相空间分解生成三种功能不同的表示，用于分割和分类任务，实现了在多个医学影像基准上的优异性能。

Imaging foundation model for universal enhancement of non-ideal measurement CT

用于非理想测量CT通用增强的成像基础模型

Rongjun Ge, Yuxin Liu, Zhan Wu, Shangwen Yang, Yuan Gao, Chenyu You, Ge Wang, Shuo Li, Yuting He, Yang Chen

机构 * School of Instrument Science and Engineering, Southeast University, China（东南大学仪器科学与工程学院, 中国） ； School of Computer Science and Engineering, Southeast University, China（东南大学计算机科学与工程学院, 中国） ； Department of Radiology, Nanjing Drum Tower Hospital, Affiliated Hospital of Medical School, Nanjing University（南京鼓楼医院放射科, 南京大学附属医院） ； Shandong Fundamental Research Center for Computer Science, Qilu University of Technology (Shandong Academy of Sciences), China（山东省计算机科学基础研究中心, 青鲁科技大学（山东科学院）, 中国） ； Department of Electrical & Computer Engineering, Yale University, USA（耶鲁大学电气与计算机工程系, 美国） ； Department of Biomedical Engineering, Rensselaer Polytechnic Institute, USA（雷士拉尔理工学院生物医学工程系, 美国） ； Department of Computer and Data Sciences, Case Western Reserve University, USA（凯斯西储大学计算机与数据科学系, 美国） ； Department of Biomedical Engineering, Case Western Reserve University, USA（凯斯西储大学生物医学工程系, 美国） 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TAMP模型，通过多尺度集成Transformer架构，提升非理想测量CT图像质量，适用于多种临床场景，实验验证其在医学影像中的有效性。

Comments This paper has been accepted by Nature Communications

UEPS: Robust and Efficient MRI Reconstruction

UEPS：鲁棒且高效的MRI重建

Xiang Zhou, Hong Shang, Zijian Zhan, Tianyu He, Jintao Meng, Dong Liang

机构 * Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, China（深圳先进技术研究院，中国科学院，中国） ； School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University, China（生物医学工程学院，深圳大学医学院，深圳大学，中国） ； University of Chinese Academy of Sciences, China（中国科学院大学，中国） ； Faculty of Computer Science and Artificial Intelligence, Shenzhen University of Advanced Technology, China（计算机科学与人工智能学院，深圳先进技术大学，中国） ； State Key Laboratory of Biomedical Imaging Science and System, Chinese Academy of Sciences, China（生物医学成像科学与系统国家重点实验室，中国科学院，中国） 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UEPS框架，通过消除CSM依赖、渐进分辨率和稀疏注意力机制，提升MRI重建的鲁棒性和效率，在多种临床转移测试中表现优异。

Comments The document contains the main paper and additional experimental details in the supplementary material. Open-source code can be found at: https://github.com/HongShangGroup/UEPS

Deep Learning-Based Airway Segmentation in Systemic Lupus Erythematosus Patients with Interstitial Lung Disease (SLE-ILD): A Comparative High-Resolution CT Analysis

基于深度学习的系统性红斑狼疮患者间质性肺病（SLE-ILD）气道分割：一种高分辨率CT的比较分析

Sirong Piao, Ying Ming, Ruijie Zhao, Jiaru Wang, Ran Xiao, Rui Zhao, Zicheng Liao, Qiqi Xu, Shaoze Luo, Bing Li, Lin Li, Zhuangfei Ma, Fuling Zheng, Wei Song

机构 * Department of Radiology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College（放射科，北京地坛医院，中国医学科学院与北京联合医学院） ； Research and Development Center (RDC), Canon Medical Systems (China)（研发部（RDC），佳能医疗系统（中国）） ； Canon Medical Systems (China)（佳能医疗系统（中国）） 纠错

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

AI总结 本文利用深度学习方法比较SLE患者是否有ILD的气道体积差异，发现SLE-ILD患者在上肺叶和特定段中存在显著气道扩张，揭示了ILD在SLE中的区域特异性表现。

Vision-Language Model Based Multi-Expert Fusion for CT Image Classification

基于视觉-语言模型的多专家融合用于CT图像分类

Jianfa Bai, Kejin Lu, Runtian Yuan, Qingqiu Li, Jilan Xu, Junlin Hou, Yuejie Zhang, Rui Feng

机构 * College of Computer Science and Artificial Intelligence, Shanghai Key Laboratory of Intelligent Information Processing, Fudan University（复旦大学计算机科学与人工智能学院，上海智能信息处理重点实验室） ； University of Oxford（牛津大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 本文提出一种三阶段源感知多专家框架，通过构建肺部感知3D专家、开发MedSigLIP基专家和训练源分类器，提升多源CT图像中新冠检测的鲁棒性，实验结果显示在不同阶段模型在宏F1、ACC和AUC指标上均取得优异成绩。

Open World MRI Reconstruction with Bias-Calibrated Adaptation

开放世界MRI重建中的偏置校准适应

Jiyao Liu, Shangqi Gao, Lihao Liu, Junzhi Ning, Jinjie Wei, Junjun He, Xiahai Zhuang, Ningsheng Xu

机构 * Fudan University, Shanghai, China（复旦大学，上海，中国） ； University of Cambridge, Cambridge, United Kingdom（剑桥大学，剑桥，英国） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，上海，中国） 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BiasRecon框架，通过最小干预原则实现开放世界MRI重建，通过频率引导先验校准、基于分数的去噪和自适应正则化，实现鲁棒适应。

Multimodal Deep Learning for Dynamic and Static Neuroimaging: Integrating MRI and fMRI for Alzheimer Disease Analysis

多模态深度学习用于动态和静态神经影像：整合MRI和fMRI进行阿尔茨海默病分析

Anima Kujur, Zahra Monfared

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

AI总结 本文提出一种多模态深度学习框架，整合MRI和fMRI对阿尔茨海默病、轻度认知障碍和正常认知状态进行多类分类，通过3D卷积神经网络提取结构特征，用递归架构学习fMRI的时间特征，并融合这些表示进行联合空间-时间学习。

Adaptive Voxel-Weighted Loss Using L1 Norms in Deep Neural Networks for Detection and Segmentation of Prostate Cancer Lesions in PET/CT Images

基于L1范数的自适应体素加权损失在深度神经网络中用于PET/CT图像前列腺癌病灶检测与分割

Obed Korshie Dzikunu, Shadab Ahamed, Amirhossein Toosi, Xiaoxiao Li, Arman Rahmim

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

AI总结 本文提出L1-weighted Dice Focal Loss，通过L1范数自适应加权样本，提升前列腺癌病灶在PET/CT图像中的检测与分割性能，实验表明其在Dice相似度系数、F1分数等指标上均优于传统损失函数。

Comments 29 pages, 7 figures, 1 table