医学 AI

RadiomicNet: A Hybrid Radiomics-Guided Lightweight Architecture for Interpretable Medical Image Segmentation

RadiomicNet: 一种混合放射组学引导的轻量级可解释医学图像分割架构

Mohammad Amanour Rahman

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Ahsanullah University of Science and Technology (AUST)（阿萨努拉科学与技术大学） 纠错

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

AI总结 提出RadiomicNet，通过放射组学注意力门（RAG）将手工放射组学特征集成到轻量级编码器-解码器中，实现可解释分割，在BUSI和Kvasir-SEG数据集上分别达到0.763和0.854的Dice系数，参数仅3.27M。

Comments Accepted at the IEEE ICIP 2026 LBDL 2 Workshop

Spatio-Temporal and Clinical Conditioning for Fine-Grained Radiology Report Retrieval

细粒度放射学报告检索的时空与临床条件化

P. Sloan, E. Simpson, M. Mirmehdi

机构 * Department of Computer Science University of Bristol（计算机科学系 布里斯托大学） 纠错

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

AI总结 提出STAR3框架，通过区域级解剖信息与临床指征及纵向变化对齐，实现基于检索的放射学报告生成，在MIMIC-CXR上优于现有方法。

Comments 14 pages, 2 figures, 6 tables

Precision Recall Controllable Radiology Report Generation via Hybrid Natural Language and Clinical Reward Learning

通过混合自然语言和临床奖励学习实现精确召回可控的放射学报告生成

Ling Chen, Ruinan Jin, Jun Luo, Hanliang Chen, Quirin Strotzer, Rongkai Yan, Yuan Xue, Luciano Prevedello, Dufan Wu

机构 * The Ohio State University（俄亥俄州立大学） ； University Medical Center Regensburg（雷根斯堡大学医学中心） 纠错

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

AI总结 提出一种强化学习框架，通过控制参数在推理时调整临床精确率与召回率的权衡，并引入临床奖励和组相对训练策略，在MIMIC-CXR数据集上优于现有方法。

Comments Accepted by MICCAI 2026

MedCAGD: Context-Aware Gated Decoder for Efficient Medical Image Segmentation

MedCAGD：用于高效医学图像分割的上下文感知门控解码器

Saad Wazir, Patrick Dominique Vibild, Dinh Phu Tran, Seongah Kim, Daeyoung Kim

机构 * School of Computing, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院计算学院） ； Department of Energy, Aalborg University（奥尔堡大学能源系） 纠错

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

AI总结 提出一种上下文感知门控解码器，通过轻量多尺度通道重校准、门控跳跃融合和全局上下文聚合机制，有效利用预训练编码器特征，在11个基准上优于强基线。

Comments Accepted at the European Conference on Computer Vision (ECCV 2026)

Concept Alignment Contrast and Long-Short Prompt Memory for Test-Time Adaptation of SAM3 in Medical Image Segmentation

概念对齐对比与长短提示记忆用于SAM3在医学图像分割中的测试时自适应

Yubo Zhou, Jianghao Wu, Ping Ye, Shaoting Zhang, Guotai Wang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Faculty of Information Technology, Monash University（莫纳什大学信息技术学院） ； Shanghai Artificial Intelligence 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

AI总结 提出CM-TTA框架，通过概念对齐对比（CAC）度量选择最佳增强视图作为监督，并设计长短提示记忆（LSPM）模块平衡快速与稳定自适应，显著提升SAM3在医学图像分割中的测试时性能。

Seeing Through Multiple Views: Parameter-Efficient Fine-Tuning via Selective Neurons for Consistent Radiology Report Generation

透视多视图：通过选择性神经元进行参数高效微调以实现一致的放射学报告生成

Yucheng Chen, Jinjing Zhu, Yang Yu, Yufei Shi, Hane Naghshbandi, Jinhua Liu, Angela S. Koh, Fang Fen, Kian Eng Ong, Si Yong Yeo

机构 * MedVisAI Lab（MedVisAI实验室） ； Lee Kong Chian School of Medicine, Nanyang Technological University, Singapore（新加坡南洋理工大学李光前医学院） ； Centre of AI in Medicine, Singapore（新加坡人工智能医学中心） ； The Chinese University of Hong Kong, Sha Tin, New Territories, Hong Kong（香港中文大学） ； National Heart Centre Singapore (NHCS), Singapore（新加坡国家心脏中心） 纠错

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

AI总结 提出View-PNDF框架，通过检测和微调视图特定神经元，从神经元层面实现多视图X光报告的一致性生成，仅更新少量参数即可提升视图特定报告质量并保持通用性能。

Comments Accepted by MICCAI2026

Text as Illumination: Spatial Contrastive Retinex Learning for Language-guided Medical Image Segmentation

文本作为照明：面向语言引导医学图像分割的空间对比度Retinex学习

Jian Shi, Cheng Zhen, Pingping Zhang, Rui Xu, Yanan Lv, Yili Ma, Huan Bi, Haojie Li, Huchuan Lu

机构 * School of Software Technology & DUT-RU International School of Information Science and Engineering, Dalian University of Technology（大连理工大学软件学院 & 大连理工大学-俄罗斯国际信息科学与工程学院） ； School of Future Technology, Dalian University of Technology（大连理工大学未来技术学院） ； Central Hospital of Dalian University of Technology（大连理工大学中心医院） ； Cancer Hospital of Dalian University of Technology（大连理工大学肿瘤医院） ； College of Computer Science and Engineering, Shandong University of Science and Technology（山东科技大学计算机科学与工程学院） 纠错

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

AI总结 提出TIRNet框架，将文本嵌入作为语义照明调制特征，通过Retinex启发模块和对比损失实现语言与分割的精确对齐，在MosMedData+和QaTa-COV19数据集上取得最优性能。

Comments Aceepted by MICCAI2026. More modifications may be performed

Attention-Based Prototype Calibration for Multi-Rater Few-Shot Medical Image Segmentation

基于注意力机制的原型校准用于多评估者少样本医学图像分割

Truong Vu, Minh Khoi Ho, Yutong Xie

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 提出一种注意力原型校准框架，通过建模评估者特异性偏差，在不修改骨干网络的情况下实现个性化分割，有效提升多评估者少样本分割性能。

Comments Accepted to MICCAI 2026. This is the pre-review submitted version, not the camera-ready version. The final authenticated version will be available in the MICCAI 2026 proceedings

Polynomial Dice Loss for Medical Image Segmentation

多项式Dice损失用于医学图像分割

Hiroaki Aizawa

机构 * Graduate School of Advanced Science ； Engineering Hiroshima University Higashi-Hiroshima, Japan 纠错

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

AI总结 提出多项式Dice损失，通过泰勒展开将Dice损失表示为多项式形式，调整高阶分量贡献，以应对数据不平衡和小病灶检测挑战，在多个分割任务中取得竞争性能。

Comments Accepted to ICANN2026

Interpretable Probabilistic Medical Image Segmentation via Gaussian Process with Explicit Modelling of Annotation Bias and Variability

通过显式建模标注偏差和变异性的高斯过程可解释概率医学图像分割

Qi Li, Yuliang Huang, Shaheer U. Saeed, Qianye Yang, Vasilis Stavrinides, Zachary M. C. Baum, Dean C. Barratt, J. Alison Noble, Tom Vercauteren, Yipeng Hu

机构 * University College London（伦敦大学学院） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Oxford（牛津大学） ； University College London Hospitals NHS Trust（伦敦大学学院医院NHS信托基金会） ； Imperial College Healthcare（帝国理工学院医疗保健） 纠错

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

AI总结 提出基于随机变分高斯过程的logit空间概率分割框架，显式分解为图像相关参考分布和标注者特定扰动，提高不确定性校准并保持分割精度。

Comments Accepted at MICCAI 2026

From Gradient Clipping to Structural Refinement: Improving DPSGD for Medical Image Segmentation

从梯度裁剪到结构细化：改进用于医学图像分割的DPSGD

Shiva Parsarad, Parth Shandilya, Isabel Wagner

机构 * University of Basel（巴塞尔大学） 纠错

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

AI总结 针对医学图像分割中差分隐私带来的效用下降问题，评估了多种DPSGD变体，并提出结合形态学细化的自适应DP-Morph方法，提升多类分割性能。

OTCHA: Optimal Transport-driven Confidence-aware Latent Hub Alignment for Multi-View Medical Image Classification

OTCHA: 基于最优传输的置信度感知潜在中心对齐用于多视图医学图像分类

Jiwoong Yang, Haejun Chung, Ikbeom Jang

机构 * Hanyang University（汉阳大学） ； Hankuk University of Foreign Studies（韩国外国语大学） 纠错

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

AI总结 提出OTCHA模块，通过最优传输对齐多视图补丁令牌与共享潜在中心令牌，结合置信度门控和部分匹配，消除无关特征，提升多视图医学图像分类鲁棒性。

Comments Accepted at MICCAI 2026

Input-Dependent Fisher Information for Local Sensitivity Analysis of Medical Image Classifiers

输入依赖的Fisher信息矩阵用于医学图像分类器的局部敏感性分析

Sourya Sengupta. Mark A. Anastasio

机构 * Department of Electrical and Computer Engineering, University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校电气与计算机工程系） ； Mallinckrodt Institute of Radiology and Department of Electrical & Systems Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校马林克罗德特放射医学研究所及电气与系统工程系） 纠错

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

AI总结 提出基于输入依赖Fisher信息矩阵(iFIM)的局部敏感性分析框架，通过Gram矩阵恢复iFIM非零谱，将图像分解为高/低敏感性分量，实验证明高敏感性分量与预测置信度和分类性能变化强相关。

A Comprehensive Survey of Medical Image Segmentation: Challenges, Benchmarks, and Beyond

医学图像分割综述：挑战、基准与未来展望

Pengyu Zhu, Xiaojing Zhang, Kunbo Zhang, Chunyan Zhang, Zhenyu Wang

机构 * School of Control and Computer Engineering, North China Electric Power University（华北电力大学控制与计算机工程学院） ； SPIC Digital Technology Co., Ltd（国家电投数字科技有限公司） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Department 6 of Health Care, Second Medical Center, People’s Liberation Army General Hospital（中国人民解放军总医院第二医学中心健康医学科六病区） 纠错

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

AI总结 本文系统综述了基于U-Net、Transformer和SAM架构的医学图像分割方法，分析主要挑战，旨在指导未来研究并推动临床转化。

Comments 12 pages,3 figures,1 table. All related resources are available at https://github.com/andrew-pengyu/Awsome_MedSeg/tree/main

BBR-Net: Boundary-Balanced Replay for Continual Medical Image Segmentation

BBR-Net：用于连续医学图像分割的边界平衡重放

Zahid Ullah, Sieun Choi, Jihie Kim

机构 * Department of Computer Science and Artificial Intelligence, Dongguk University（东国大学计算机科学与人工智能系） 纠错

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

AI总结 提出边界平衡重放网络（BBR-Net），通过边界感知优先级和类别平衡选择重放样本，在连续心脏超声分割中减少灾难性遗忘并保持目标域适应能力。

Active Source-free Domain Adaptation in Open-set Medical Image Segmentation via Decomposed Uncertainty and Prototype Discrepancy

基于分解不确定性和原型差异的开放集医学图像分割中的主动源自由域适应

Jin Yang, Yichi Zhang, Peijie Qiu, Xiaobing Yu

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

AI总结 提出一种主动源自由开放集域适应方法，通过类感知分解不确定性和类无关原型差异选择目标样本，结合目标精炼自训练策略，实现无源数据下的开放集医学图像分割。

Comments Early accepted by MICCAI 2026. This version is not the Version of Record and does not reflect post-acceptance improvements, or any corrections

Shared Semantic Codebook Distillation for Unpaired Cross-Modal Medical Classification

用于非配对跨模态医学分类的共享语义码本蒸馏

Dillan Imans, Phuoc-Nguyen Bui, Duc-Tai Le, Hyunseung Choo

机构 * Sungkyunkwan University（成均馆大学） ； Convergence Research Institute, Sungkyunkwan University（成均馆大学融合研究院） 纠错

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

AI总结 针对非配对跨模态医学分类的挑战，提出SSCD方法，通过共享语义码本转移知识，在两个医学分类任务中提升学生模型性能，优于各基线方法

Comments 16 pages, 2 figures, 4 tables

An Interpretable Deep Learning Framework for Discovery and Clinical Validation of Deep Radiomic Signatures in Tumor Classification

用于深度影像组学特征在肿瘤分类中发现与临床验证的可解释深度学习框架

Chengkun Sun, Jinqian Pan, Renjie Liang, Zhengkang Fan, Xin Miao, Yi Guo, Mei Liu, Muxuan Liang, Russell Terry, Jie Xu

机构 * Department of Health Outcomes and Biomedical Informatics, University of Florida（健康结果与生物医学信息学系，佛罗里达大学） ； Tiktok ； Department of Biostatistics, MD Anderson Cancer Center（生物统计学系，MD安德森癌症中心） ； Department of Urology, University of Florida（泌尿科，佛罗里达大学） 纠错

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

AI总结 针对深度学习影像特征可解释性差阻碍临床落地的问题，该框架融合分割、可解释分类与影像组学分析，多数据集验证可提升肿瘤分类性能与生物可解释性。

ProMUSE: Progressive Multi-modal Uncertainty-guided Staged Evidential Alzheimer Disease Classification

ProMUSE: 渐进式多模态不确定性引导的分阶段证据阿尔茨海默病分类

Long Doan, Branden Chen, Ethan Litton, Huan Huang, Jiajing Huang, Yixin Xie, Weihua Zhou, Nandakumar Narayanan, Chen Zhao

机构 * Kennesaw State University（肯尼索州立大学） ； Michigan Technological University（密歇根理工大学） ； University of Iowa（爱荷华大学） 纠错

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

AI总结 提出ProMUSE，一种渐进式多模态不确定性引导的分阶段证据网络，通过自适应决定何时需要额外模态，在保持准确性的同时降低数据采集成本。

Interpretable and Frugal Learning Systems Employing Multiresolution Pyramids and Volterra Kernels

可解释且节俭的学习系统：采用多分辨率金字塔和Volterra核

Kishore Kumar Tarafdar

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

AI总结 提出基于信号理论的可解释学习系统，结合多分辨率分析、Volterra核和可微算子模块，用于逆建模、分类和分割任务，在微波辐射计反演、图像分割等应用中验证有效性。

Comments PhD Thesis Preprint

Active few-shot segmentation by reinforcing data selection

通过强化数据选择实现主动少样本分割

Chenlan Zhao, Benny Wong, Timothy F. Lundberg, Ahmed M. Elsayed, Abdallah Aljarkas, Hamad A. Aljamaan, Lynn Karam, Qianye Yang, Yipeng Hu, Claire C. Villette, Shaheer U. Saeed

机构 * Centre for Bioengineering, School of Engineering and Materials Science, Queen Mary University of London（伦敦玛丽女王大学工程与材料科学学院生物工程中心） ； Digital Environment Research Institute, Queen Mary University of London（伦敦玛丽女王大学数字环境研究所） ； UCL Hawkes Institute（伦敦大学学院UCL霍克斯研究所；医学物理与生物医学工程系） ； Department of Medical Physics and Biomedical Engineering, University College London（耶鲁大学生物与生物医学科学系） ； Department of Biological and Biomedical Sciences, Yale University（牛津大学工程科学系生物医学工程研究所） ； Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford 纠错

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

AI总结 研究少样本医学图像分割中支持集选择问题，提出强化学习框架，智能体直接预测最大化下游分割性能的支持集，实验表明该方法优于随机选择和现有方法，凸显支持集互补性及强化学习的潜力。

Comments Accepted at EMA4MICCAI 2026 - The 2nd MICCAI Workshop on Efficient Medical AI

Volumetric Radiology AI in the Era of Multimodal Large Language Models

多模态大语言模型时代的容积放射学人工智能

Zanting Ye, Shengyuan Liu, Xin Liu, Chenhui Wang, Zhisong Wang, Jiashuai Liu, Zipei Wang, Cheng Wang, Wentao Pan, Mengjie Fang, Di Dong, Mohammad Salmanpour, Arman Rahmim, Yu Gu, Yong Xia, Hongming Shan, Yixuan Yuan, Yefeng Zheng, Lijun Lu

机构 * Fudan University（复旦大学） ； Northwestern Polytechnical University（西北工业大学） ； Xi’an Jiaotong University（西安交通大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Southern Medical University（南方医科大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Microsoft Research（微软研究院） ； Westlake University（西湖大学） 纠错

专题命中 医学影像 ：radiology(title,abstract)

AI总结 该综述梳理截至2026年7月的200余篇文献，探讨多模态大语言模型时代容积放射学AI的表征、智能体系统及临床评估，提出相关框架以明确原生容积建模的适用场景。

Comments 9 Figures, 6 tables

CFB-GBM v2.0: An Augmented Longitudinal Dataset for Multi-Modal Glioblastoma Segmentation, Radiomics, and RANO Progression Tracking

CFB-GBM v2.0：用于多模态胶质母细胞瘤分割、放射组学及RANO进展追踪的增强纵向数据集

Alexandre G. Leclercq, Noémie N. Moreau, Hugo Audebert, Andros Nassar, Thomas Cochin, Thomas Leleu, Loïc Le Henaff, Alexis Desmonts, Yoann Poirier, Aurélie Dubru, Laura Guillemette, Pascal Lecoeur, Kévin Lemasson, Cyril Jaudet, Sébastien Bougleux, Romain Hérault, Carole Brunaud, Samuel Valable, Dinu Stefan, Charlotte Raboutet, Alain Batalla, Joëlle Lacroix, Roman Rouzier, Aurélien Corroyer-Dulmont

机构 * Centre François Baclesse（弗朗索瓦·巴克莱斯中心） ； Université de Caen Normandie（卡昂诺曼底大学） ； ENSICAEN（卡昂高等工程师学院） ； GREYC（格雷计算机科学研究中心） 纠错

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

AI总结 本文发布增强版CFB-GBM v2.0纵向数据集，含264名GBM患者数据，完成所有时间点GTV勾画（完成率达97%），提供相关标注、特征及WHO分类信息，可用于多模态GBM相关研究。

Comments 9 pages, 2 figures,

The Right Prior for the Right Deformation: Rethinking Continuous Deformable Image Registration

适配正确变形的正确先验：重新思考连续可变形图像配准

Hengjie Liu, Chushu Shen, Dan Ruan, Ke Sheng

机构 * University of California, San Francisco（加利福尼亚大学旧金山分校） ； Cedars-Sinai Medical Center（西达赛奈医疗中心） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

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

AI总结 本研究对比多种连续图像配准方法，发现配准精度取决于变形先验与目标运动模式的匹配度，多分辨率B样条方法MR-D-BSCP在脑部和肺部配准任务中表现最优。

Emergence of Transfer Learning towards Specific Identification of Alzheimer's Disease A Prospective Approach

面向阿尔茨海默病特定识别的迁移学习的涌现：一种前瞻性方法

Soumik Podder, Chandramouli Haldar

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

AI总结 本综述探讨迁移学习在阿尔茨海默病诊断中的应用，评估其优势与局限，结合可解释人工智能，为该领域新研究者提供指导。

Journal ref 2025 AI-Driven Smart Healthcare for Society 5.0, Kolkata, India, 2025

An Agentic AI Framework Overcomes Fundamental Limitations of Large Language Models for Glaucoma Detection from Fundus Photography

一种智能体AI框架克服了大型语言模型在眼底照相青光眼检测中的基本局限

Jalil Jalili, Hossein Taghizad, Anuwat Jiravarnsirikul, Christopher Bowd, Akram Belghith, Raheleh Kafieh, Christopher A. Girkin, Sally L. Baxter, Robert N. Weinreb, Linda M. Zangwill, Mark Christopher

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

AI总结 该研究开发的智能体AI框架整合LLM与专用深度学习工具，提升了眼底照相青光眼检测的准确率、一致性，纠正了仅用LLM的缺陷，具有通用性，或推动医学AI向多智能体系统转变。

A Unified Benchmark of Deep Learning Models for Multi-task 3D Brain Tumor Segmentation from Magnetic Resonance Imaging

用于磁共振成像多任务3D脑肿瘤分割的深度学习模型统一基准

Diego J. Torrejón, Luna Y. Hernández, Javier Sánchez

机构 * Centro de Tecnologías de la Imagen (CTIM)（图像技术中心（CTIM）） ； Instituto Universitario de Cibernética, Empresas y Sociedad (IUCES)（网络、企业与社会大学研究所（IUCES）） ； University of Las Palmas de Gran Canaria（拉斯帕尔马斯大加那利大学） 纠错

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

AI总结 本研究构建统一基准，在相同条件下对比3D U-Net等5种深度学习模型在BraTS 2023、2024数据集上的脑肿瘤分割性能，明确了不同架构的准确率与效率权衡及适用场景。

Comments 27 pages, 16 figures, 8 tables

Gaussian Volumetric Representation for Efficient Shear-Warp Visualization

用于高效剪切变形可视化的高斯体表示

Mayuri Mathur, Ojaswa Sharma

机构 * Indraprastha Institute of Information Technology Delhi（德里英迪拉甘地信息技术学院） 纠错

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

AI总结 研究针对医学图像可视化计算成本高的问题，提出基于高斯的体表示，用蒙特卡罗体估计和课程学习策略优化，能从稀疏监督中学习解剖细节与纹理，降低计算成本，支持高效渲染多模态医学数据集，实现高帧率和高压缩比。

Panda: Unsupervised Pelvic Anomaly Detection for Real-Time MR Imaging

Panda：用于实时磁共振成像的无监督盆腔异常检测

Anika Knupfer, Maximilian Lindholz, Johanna Paula Müller, Jordina Aviles Verdera, Smiti Tripathy, Susanne Schulz-Heise, Jana Hutter

机构 * Institute of Information Processing, Leibniz University Hannover（莱布尼茨汉诺威大学信息处理研究所） ； CAIMED, L3S（CAIMED，L3S） ； Department of Radiology, Charité Universitätsmedizin Berlin（柏林夏里特大学医学中心放射科） ； Image Data Exploration and Analysis Lab, Friedrich-Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学图像数据探索与分析实验室） ； Institute for Radiology, University Hospital Erlangen（埃尔朗根大学医院放射研究所） 纠错

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

AI总结 针对女性盆腔疾病实时异常检测难题，提出基于Dinomaly的无监督框架，利用冻结的DINOv3视觉Transformer编码器等，在子宫肌瘤数据集上评估，实现高像素级AUROC和帧级特异性，满足实时临床需求，为医生决策和协议调整提供支持。

Comments 10 pages, 5 figures

Physics-Guided Generative AI for Property-Targeted 3D Porous Media Design

用于属性靶向三维多孔介质设计的物理引导生成式人工智能

Peng Wang

机构 * Centre for Vision, Speech and Signal Processing (CVSSP), University of Surrey（萨里大学视觉、语音和信号处理中心） 纠错

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

AI总结 针对三维多孔介质逆向设计难题，提出物理引导生成式人工智能框架，结合多种模型学习潜在设计空间，依目标属性生成并优化结构，实验表明该方法能提升目标属性匹配等，为复杂多孔几何形状可控逆向设计及相关工具奠定基础。

Comments 15 pages, 8 figures