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。
MRI放射组学的多视图范式转变：预测胶质瘤MGMT甲基化
机构 * Faculty of Mathematics and Informatics – Sofia University St. Kliment Ohridski（数学与信息学系 – 圣克莱门特·奥赫里迪斯大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出基于变分自编码器的多视图潜在表示学习框架，通过整合互补的MRI信息，显著提升了MGMT启动子甲基化预测性能。
Comments 17 pages, 4 figures
CineMesh4D：从稀疏 cine MRI 中重建个性化 4D 全心脏
机构 * Department of Biomedical Engineering, National University of Singapore, Singapore（新加坡国立大学生物医学工程系） ； School of Automation, Southeast University, Nanjing, China（东南大学自动化学院） ； Department of Medicine, National University of Singapore, Singapore（新加坡国立大学医学系） ； Department of Cardiology, National University Heart Centre Singapore, Singapore（新加坡国立心脏中心心内科部）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出 CineMesh4D，一种端到端的 4D 全心脏重建方法，通过跨域映射从多视角 2D cine MRI 直接重建患者特定的全心脏网格，提升重建质量和运动一致性。
JANUS：基于解剖的门控用于在分布偏移下鲁棒的CT分诊
机构 * Center for Virtual Imaging Trials, RAI Labs, Department of Radiology, Duke University, Durham NC 27708, USA Electrical ； Computer Engineering, Pratt School of Engineering, Duke University, Durham, NC 27708, USA Department of Mathematics, Trinity College of Arts \& Sciences, Duke University, Durham, NC 27708, USA Department of Radiology
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 JANUS通过解剖引导门控将视觉嵌入与宏放射组学先验条件相结合，提升CT分诊在不同病理和机构偏移下的鲁棒性，实现更高的AUROC和AUPRC。
基于贝叶斯物理信息神经网络的稀疏纵向CT数据肺癌肿瘤生长不确定性的预测
机构 * Department of Mathematics, Vanderbilt University（范德比大学数学系） ； John A. Paulson School of Engineering and Applied Science, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.LG
AI总结 本文提出一种结合Gompertz生长动力学与低维贝叶斯推断的贝叶斯物理信息神经网络，用于从稀疏不规则纵向CT数据中预测肺癌肿瘤生长，通过两阶段推断策略估计后验预测分布和不确定性区间，实验显示模型能捕捉异质性肿瘤生长模式并保持合理预测精度。
Comments 8 pages, 15 figures
H3D-MarNet：基于小波引导的双路径学习用于金属伪影抑制和CT模态转换用于放疗工作流程
机构 * Machine Learning and Perception Lab, Università degli Studi di Udine（机器学习与感知实验室，乌迪内大学） ； Centro di Riferimento Oncologico di Aviano IRCCS（阿维亚诺肿瘤参考中心）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 H3D-MarNet通过小波引导的双路径学习有效抑制金属伪影并实现CT模态转换，提升放疗图像质量与诊断准确性。
Comments Accepted for publication at the 28th International Conference on Pattern Recognition, Lyon, France August, 17-22, 2026
快速的体素级SNR估计用于迭代MRI重建
专题命中 医学影像 ：MRI(title,title_cn)；分类 eess.SP
AI总结 本文提出PICO方法，用于快速估计迭代MRI重建中的体素噪声特性，通过图像域探针减少计算复杂度，实现比PMR方法更快的SNR和g因子估计。
Comments 29 pages, 7 figures. Preliminary versions presented at the 2026 ISMRM Workshop on Data Sampling and Image Reconstruction and the 2026 ISMRM-ISMRT Annual Meeting
通过跨序列迁移学习减少膝关节MRI股骨软骨分割的标注负担
机构 * School of Electronic Engineering, Dublin City University（都柏林城市大学电子工程学院） ； Bioengineering and Computing Laboratory, IRCCS Istituto Ortopedico Rizzoli（里扎利骨科研究所生物工程与计算实验室） ； Dipartimento di Scienze Mediche e Chirurgiche (DIMEC), Alma Mater Studiorum – Università di Bologna（博洛尼亚大学医学与外科科学系（DIMEC）） ； Diagnostic and Interventional Radiology, IRCCS Istituto Ortopedico Rizzoli（里扎利骨科研究所诊断与介入放射学） ； Department of Biomedical and Neuromotor Sciences, University of Bologna（博洛尼亚大学生物医学与神经运动科学系） ； nd Orthopedics and Trauma Unit, IRCCS Istituto Ortopedico Rizzoli（里扎利骨科研究所第二骨科与创伤单元） ； Independent Researcher（独立研究员）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出跨序列迁移学习方法，用于自动分割膝关节MRI中的股骨软骨，通过双方向迁移双回波稳态序列与矢状位质子密度加权3D快速自旋回波序列，提升分割精度并减少标注需求。
CT-IDP：基于分割的定量表型用于可解释的腹部CT疾病分类
机构 * Center for Virtual Imaging Trials, Carl E. Ravin Advanced Imaging Laboratories（虚拟成像试验中心，卡尔·E·拉文先进成像实验室） ； Department of Radiology, Duke University School of Medicine（杜克大学医学学院放射科） ； Electrical and Computer Engineering, Pratt School of Engineering, Duke University（杜克大学普拉特工程学院电气与计算机工程系） ； Medical Physics Graduate Program, Duke University（杜克大学医学物理研究生项目）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 本文提出CT-IDP框架，通过多器官分割生成900多个表型描述符，利用稀疏逻辑回归进行疾病分类，优于基线模型。
PET/CT全身成像中肿瘤分割的进阶研究：基于nnU-Net的AutoPET III自动训练策略研究
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 本文提出一种全身PET/CT肿瘤分割方法，通过nnU-Net框架探讨训练策略对模型性能的影响，提升分割鲁棒性与准确性，在AutoPET III挑战中取得第三名成绩。
对CT中肾病变分层的医学基础模型进行基准测试
机构 * Charité - Universitätsmedizin Berlin, Department of Radiology（柏林夏里特大学医学院放射科） ； Radboudumc, Diagnostic Image Analysis Group（拉德堡德大学医学中心影像分析组） ； Klinikum rechts der Isar, TUM University Hospital, Technical University of Munich（慕尼黑技术大学慕尼黑大学医院克林克姆右岸诊所） ； Charité - Universitätsmedizin Berlin, Institute of Neuroradiology（柏林夏里特大学医学院神经放射科） ； German Heart Center, TUM University Hospital, Technical University of Munich（德国心脏中心，慕尼黑技术大学慕尼黑大学医院）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 本文通过对比三种医学基础模型在CT肾病变分类任务中的表现，发现传统放射组学方法在性能上优于深度学习方法，表明当前通用基础模型在捕捉细粒度纹理和形状异质性方面仍有不足。
Comments 13 pages, 4 figures
通过可控的2D切片导航任务进行3D MRI图像预训练
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出通过可控2D切片导航任务预训练3D MRI图像，利用动作轨迹控制生成视频动作序列，提升解剖和空间表示学习能力。
Comments 9 pages, 5 figures
通过证据引导的LLM报告过滤从常规临床扫描中获得全身CT衰减和体积图表
机构 * Institute of Radiology, School of Medicine and Health, Technical University of Munich（医学与健康学院放射学研究所，慕尼黑技术大学） ； Institute of Neuroradiology, School of Medicine and Health, Technical University of Munich（医学与健康学院神经放射学研究所，慕尼黑技术大学） ； Munich Data Science Institute (MDSI), Technical University of Munich（慕尼黑数据科学研究所（MDSI），慕尼黑技术大学） ； Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心（MCML），德国慕尼黑）
专题命中 医学影像 ：CT(title,title_cn)；pathology(abstract)；radiology(abstract)；分类 cs.CV
AI总结 本文提出证据引导的LLM集成方法，通过过滤病理发现，构建病理减少的队列，建立106个解剖结构的全身参考图表，支持标准化定量表型分析和多中心影像研究。
Comments Supplement available at: https://github.com/ai-med/body-charts/blob/main/body_charts_supp.pdf
仅使用幅度图像的相位图合成方法及其在加速MRI重建模型训练中的应用
机构 * Purdue University（普渡大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出利用条件分数扩散模型合成幅度图像的相位图，从而生成大规模k空间数据集，用于训练更通用的MRI重建模型，提升重建质量与诊断准确性。
Neighbor2Inverse: 基于自监督学习的低剂量区域兴趣相位对比CT去噪
机构 * Chair of Biomedical Physics, Department of Physics, School of Natural Sciences, TU Munich（技术物理系主任，物理系，自然科学学院，慕尼黑技术大学） ； Munich Institute of Biomedical Engineering, TU Munich（慕尼黑生物医学工程研究所，慕尼黑技术大学） ； Institute for Diagnostic and Interventional Radiology, TUM Klinikum（诊断与介入放射学研究所，TUM医院） ； Institute for Advanced Study, TU Munich, 85748 Garching, Germany（高级研究研究所，慕尼黑技术大学，德国85748盖ARCHING） ； X-ray Imaging Group, School of Physics and Astronomy, Monash University, Australia（X射线成像组，物理与天文学学院，墨尔本大学，澳大利亚） ； School of Medicine and Robinson Research Institute, Adelaide University, and Respiratory and Sleep Medicine, Women’s and Children’s Hospital, Adelaide, Australia（医学学院和罗宾逊研究所，阿德莱德大学，以及呼吸与睡眠医学，妇女与儿童医院，阿德莱德，澳大利亚）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 本文提出Neighbor2Inverse框架，通过自监督学习在低剂量PBI-CT中实现有效去噪，保留结构细节，提升对比度和空间分辨率。
停止屏息：基于CT的高斯点云法用于动态支气管镜
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Harvard Medical School（哈佛医学院） ； University of California, San Diego（加州大学圣地亚哥分校）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 本文提出利用患者特定的呼吸模型消除屏息协议需求，通过配对呼气吸气CT扫描减少呼吸运动，实现连续的变形感知重建。
B-FIRE：无分组扩散隐式神经表示用于超加速运动分辨MRI
机构 * Radiation Oncology, University of California, San Francisco, California（加州大学旧金山分校放射肿瘤学系） ； Radiology and Biomedical Imaging, University of California, San Francisco, California（加州大学旧金山分校放射学与生物医学成像系） ； Siemens Medical Solutions USA, Inc., Cleveland, Ohio（西门子医疗解决方案美国公司，克利夫兰，俄亥俄） ； Radiology at Children’s Hospital Los Angeles, Keck School of Medicine, University of Southern California, Los Angeles, California（洛杉矶儿童医院放射学，美国南加州大学凯克医学院，洛杉矶，加利福尼亚）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 B-FIRE通过扩散隐式神经表示框架实现超加速MRI重建，解决运动分辨信息模糊问题，提升3D腹部解剖的即时重建精度。
DyABD：动态MRI中腹肌分割基准
机构 * Science Foundation Ireland Centre for Research Training in Machine Learning（科学基金会爱尔兰机器学习研究培训中心） ； Aix Marseille Univ, Univ Gustave Eiffel, LBA, Marseille France（马赛大学，奥古斯特·埃菲尔大学，LBA，法国马赛） ； Aix Marseille Université, CNRS, CRMBM UMR 7339, Marseille France（马赛大学，法国国家科学研究中心，CRMBM UMR 7339，法国马赛） ； Insight Centre for Data Analytics, University College Dublin（都柏林大学数据分析洞察中心）
专题命中 医学影像 ：MRI(title,title_cn)；medical image(abstract)；分类 cs.CV
AI总结 本文提出DyABD基准数据集，用于动态腹部MRI的腹肌分割任务，包含患者腹股沟疝的动态MRI及高质量标注，评估现有分割模型在不同学习范式下的泛化能力，揭示医学图像分割仍有提升空间。
Journal ref BMC Medical Imaging (2026)
WFM：用于超快速多模态MRI合成的3D小波流匹配
机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Machine and Hybrid Intelligence Lab, Feinberg School of Medicine, Northwestern University（北western大学费因伯格医学院机器与混合智能实验室）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出WFM方法，通过学习基于小波空间条件均值的直接流，实现高效多模态MRI合成，单模型在BraTS 2024上达到26.8 dB PSNR和0.94 SSIM，速度比扩散模型快250-1000倍。
Comments 17 pages, 4 figures, 3 tables. Accepted at MIDL 2026 (Poster)
CrossPan：跨序列胰腺MRI分割与泛化的综合性基准
机构 * Department of Radiology, Northwestern University（西北大学放射科） ； Department of Electrical and Computer Engineering, Northwestern University（西北大学电气与计算机工程系） ； Department of Computer Science, Northwestern University（西北大学计算机科学系） ； Department of Gastroenterology, New York University（纽约大学消化内科部） ； Division of Gastroenterology and Hepatology, Mayo Clinic in Florida（佛罗里达梅奥诊所消化内科与肝病学部） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Departments of Gastroenterology and Hepatology, Northwestern University（西北大学消化内科与肝病学部）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 研究揭示跨序列泛化是胰腺MRI分割临床应用的主要障碍，指出跨序列域偏移比跨中心差异更严重，且现有方法在物理驱动对比反转下效果有限，半监督学习在稳定强度分布下有提升但不稳定。
Comments Accepted to MIDL 2026
CAHAL：临床适用的低分辨率MRI扫描分辨率增强
机构 * Instituto de Aplicaciones de las Tecnologías de la Información y de las Comunicaciones Avanzadas (ITACA), Universitat Politècnica de València（应用信息与通信技术高级研究所（ITACA），巴塞罗那理工大学） ； CNRS, Univ. Bordeaux, Bordeaux INP, LABRI, UMR5800, in2brain（国家科学研究中心（CNRS）、波尔多大学、波尔多国立应用科学学院（Bordeaux INP）、LABRI、UMR5800、in2brain） ； Department of Psychobiology, Faculty of Psychology, Universitat de Valencia（心理学系心理生物学部门，瓦伦西亚大学） ； Instituto de Automática e Informática Industrial, Universitat Politècnica de València（自动化与工业信息研究所，巴塞罗那理工大学） ； Departamento de Matemática Aplicada, Universitat Politècnica de València（应用数学系，巴塞罗那理工大学） ； Área de Imagen Médica. Hospital Universitario y Politécnico La Fe. Valencia, Spain（医学影像部门。La Fe大学医院和理工大学，西班牙瓦伦西亚） ； Unidad Mixta de Imagen Biomédica FISABIO-CIPF. Fundación para el Fomento de la Investigación Sanitario y Biomédica de la Comunidad Valenciana - Valencia, Spain（FISABIO-CIPF医学生物成像混合单位。瓦伦西亚社区卫生和生物医学研究促进基金会——瓦伦西亚，西班牙） ； Univ. Bordeaux, CNRS, UMR 5287, Institut de Neurosciences Cognitives et Intégratives d’Aquitaine（波尔多大学、国家科学研究中心（CNRS）、UMR 5287、阿基坦认知与整合神经科学研究所）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 CAHAL通过结合物理信息和混合专家架构，解决临床MRI低分辨率扫描的分辨率增强问题，提升定量分析和诊断安全性。
通过感知损失驱动的深度学习框架去除MRI中的运动伪影
机构 * Institute of Magnetic Resonance and Molecular Imaging in Medicine（医学磁共振与分子成像研究所） ； Shanghai Key Laboratory of Magnetic Resonance（上海磁共振重点实验室） ； The First Affiliated Hospital of Naval Medical University Department of Radiology（海军医学院第一附属医院放射科） ； Laboratory for Intelligent Medical Imaging（智能医学成像实验室） ； Tsinghua Cross-Strait Research Institute（清华大学海峡研究院） ； RadioDynamic Medical（RadioDynamic医疗）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出PERCEPT-Net框架，通过感知监督提升MRI运动伪影去除效果，采用多尺度恢复模块和双注意力机制，结合运动感知损失，提升结构保持和伪影抑制能力。
Comments 7 figrues, 6 tables
针对体素空间的结构自适应稀疏扩散用于3D医学图像增强
机构 * Department of Electrical and Computer Engineering, University of Florida, Gainesville, FL, USA（佛罗里达大学电气与计算机工程系） ； Department of Medicine, University of Florida, Gainesville, FL, USA（佛罗里达大学医学系） ； Department of Biomedical Engineering, University of Florida, Gainesville, FL, USA（佛罗里达大学生物医学工程系） ； Research Computing, University of Florida, Gainesville, FL, USA（佛罗里达大学研究计算中心） ； NVIDIA, Santa Clara, CA, USA（英伟达）
专题命中 医学影像 ：medical image(title,abstract)；MRI(abstract,abstract_cn)；CT(abstract,abstract_cn)；diagnosis(abstract)
AI总结 本文提出一种稀疏体素空间扩散框架，通过结构感知轨迹调制模块实现结构自适应去噪，提升3D医学图像的去噪和超分辨率性能。
一种多模态的临床导向粗到细框架用于质子治疗纵向CT配准
机构 * Department of Radiation Oncology, Mayo Clinic, Phoenix, Arizona, USA（梅奥诊所放射肿瘤科） ； School of Biomedical Engineering, ShanghaiTech University, Shanghai, China（上海科技大学生物医学工程学院） ； Shanghai United Imaging Intelligence Co., Ltd., Shanghai 200230, China（上海联合影像智能科技有限公司） ； Shanghai Artificial Intelligence Laboratory, Shanghai 200232, China（上海人工智能实验室） ； Shanghai Clinical Research and Trial Center, Shanghai 201210, China（上海临床研究与试验中心）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 本文提出一种多模态的临床导向粗到细框架，结合质子放疗工作流程中的多种信息，提升纵向CT配准的准确性和临床适用性。
表征几何形状任务性能在CT结肠镜视觉-语言建模中的作用
机构 * Gilbert S. Omenn Department of Computational Medicine and Bioinformatics（Gilbert S. Omenn 计算医学与生物信息学部门） ； Department of Gastroenterology（消化内科部门） ； Department of Emergency Medicine（急诊医学部门） ； Department of Electrical Engineering and Computer Science（电气工程与计算机科学部门）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 本文研究了CT结肠镜视觉-语言迁移学习，发现均值池化在疾病分类中表现更优，而注意力池化在跨模态检索中更有效，同时指出单片组织对比度比空间覆盖范围更重要，为构建体积医学影像视觉-语言系统提供了基础。
多模态MRI肝脏分割中的高效标注方法
机构 * Ho Chi Minh University of Science（胡志明科技大学） ； National Central University（国立中央大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Houston（休斯顿大学） ； Northwestern University（西北大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出一种高效标注的分割方法，通过基础模型适应和协同伪监督，实现多模态和多厂商MRI下的肝脏分割，克服标注数据稀缺和分布不均的问题。
Comments Accepted at MICCAI 2025 Workshop
专题命中 医学影像 ：biomedical(title,abstract)；medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
Comments This paper has been accepted by the Journal of Biomedical Informatics
Journal ref Journal of Biomedical Informatics, Volume 146, October 2023, 104482
专题命中 医学影像 ：medical image(title,abstract)；biomedical(title,comments)；pathology(abstract)；radiology(abstract)
Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://www.melba-journal.org/papers/2022:025.html. arXiv admin note: substantial text overlap with arXiv:2107.08650
Journal ref Machine.Learning.for.Biomedical.Imaging. 1 (2022)
实现与CT相当的低剂量放疗计划图像质量：基于条件扩散的CBCT到CT合成及CBCT输入表示的影响
专题命中 医学影像 ：CT(title,title_cn)；radiology(comments)
AI总结 本研究开发基于条件DDPM的CBCT到CT合成框架，探究CBCT输入表示对合成性能的影响，旨在实现低剂量放疗中与CT相当的图像质量。
Comments 9 pages, 6 figures, European Conference of Radiology (ECR) 2026
评估大型语言模型在跨器官系统CT放射报告零样本疾病标注中的效果
专题命中 医学影像 ：CT(title,title_cn)；radiology(comments)
AI总结 本研究评估了大型语言模型在CT报告零样本疾病标注中的效果，发现轻量级LLMs在多器官系统标注中表现优于规则方法，但需注意二元标签的局限性。
Comments 19 pages, 6 figures, 4 tables. Under review in Radiology: Artificial Intelligence
组块联合压缩用于高加速MRI：在k空间子区域组内压缩动态B0和静态RF空间调制
专题命中 医学影像 ：MRI(title,title_cn)
AI总结 本文提出组块联合压缩方法，通过在k空间子区域组内压缩动态B0和静态RF调制，显著提升MRI加速效果，减少重建时间和内存使用。
Comments Magnetic Resonance in Medicine
Journal ref R. Tian and K. Scheffler, Group-Patch Joint Compression: Compressing Dynamic B0 and Static RF Spatial Modulations Across k-Space Subregion Groups for Highly Accelerated MRI, Magnetic Resonance in Medicine (2026): 1-21
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