医学 AI

Intervention-Aware Clinical World Model for Post-Op Outcome Forecasting in Cardiology

面向心脏病术后结局预测的干预感知临床世界模型

Yunsung Chung, Yingshuo Liu, Abboud F. Hassan, Han Feng, Mary M. Maleckar, Nassir Marrouche, Jihun Hamm

机构 * Tulane University（杜兰大学） ； Simula Research Laboratory（Simula研究实验室） 纠错

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

AI总结 本研究针对心脏病术后结局预测的不规则轨迹问题，提出干预感知临床世界模型，在DECAAF-II数据集上实现心房颤动消融后复发预测及疤痕范围估计的良好性能。

Comments Medical World Models (MWM) Workshop at MICCAI 2026

When Repository Labels Are Not Image-Level Truth: A Supervision Auditing Framework for Chest Radiograph AI

当仓库标签并非图像级真值：面向胸部X光AI的监督审计框架

Yesika Alexandra Agudelo-Londoño, Jhon Wilmer Pino-Román, Brahian Carrera Rodríguez, José Miguel Castañeda-Bedoya, Juan Pablo Gómez-López, Aura C. Puche-Sarmiento, Niharika S. D'Souza, Juan Sebastian Osorio-Valencia, Jon E. Duque-Grajales, Jazmín Ximena Suárez-Revelo, Jorge Mario Vélez-Arango, Gabriel Castrillón

专题命中 医学影像 ：medical AI(abstract)；radiology(abstract)；分类 cs.CV、eess.IV

AI总结 针对胸部X光仓库标签非图像级真值的问题，提出RSA框架，以MIMIC-CXR心脏肥大数据为例发现其标签与专家评估一致性极低，用专家精选队列训练的DenseNet121模型达0.853的ROC-AUC，强调监督审计的重要性。

Comments Accepted (oral) at the 3rd MICCAI Student Board (MSB) EMERGE Workshop, MICCAI 2026. This is the authors' version; the final authenticated version will appear in Springer Lecture Notes in Computer Science (LNCS). 10 pages, 3 figures

Implicit representations are dead. Long live explicit primitives!

隐式表示已死！显式基元万岁！

Nil Stolt-Ansó, Maik Dannecker, Wenqi Huang, Andras Jakab, Daniel Rueckert

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

AI总结 本文针对医学影像，对比评估了高斯显式基元与隐式神经表示，发现高斯表示重建性能相当或更优，且计算成本更低，有望成为医学影像领域的研究方向。

P3CA: Encoder-Agnostic Interpretation of Vision Foundation Model Embeddings via Spatial Probing

P3CA：通过空间探测实现与编码器无关的视觉基础模型嵌入解释

Amoon Jamzad, Dilakshan Srikanthan, Faranak Akbarifar, Nooshin Maghsoodi, Parvin Mousavi

机构 * School of Computing, Queen’s University（女王大学计算学院） 纠错

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

AI总结 针对视觉基础模型嵌入难以解释的问题，提出与编码器无关的P3CA方法，通过空间提示实现局部探测，在多类数据上验证其可揭示局部结构、提升病理判别能力等贡献。

Comments 10 pages, 5 figures, 1 table. Accepted at the iMIMIC Workshop, MICCAI 2026. This arXiv version is the pre-peer-review author manuscript

Dual-domain U-Nets with embedded back projection operators for motion-resolved 4D CBCT reconstruction

嵌入反投影算子的双域U-Net用于运动分辨的4D CBCT重建

Ivo Herzig, Pascal Paysan, Daniel Barco, Marc André Stadelmann, Frank-Peter Schilling, Igor Peterlik, Michal Walczak, Lijin Aryananda, Woo Sang Ahn, Rudolf Marcel Füchslin, Lukas Lichtensteiger

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

AI总结 该研究提出嵌入反投影算子的双域U-Net，从无呼吸信号或投影分箱的自由呼吸扫描中重建运动分辨的4D CBCT，在模拟与临床数据上均表现出更优的肿瘤、食道可见性及更少运动伪影，实现了高质量4D重建。

Comments 15 pages, 9 Figures

Protocol generalisation for brain tissue microstructure estimation via hypernetwork-controlled geometric deep learning

基于超网络控制的几何深度学习的脑组织微结构估计的协议泛化

Andrea Brigliadori, Leevi Kerkela, Hui Zhang

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

AI总结 本文提出一种融入b-值依赖的超网络控制SCNN架构，实现b-值与b-向量泛化及旋转等变性，提升了脑组织微结构估计的鲁棒性与临床适用性。

SCALP: Semi-Supervised Statistical Shape Modeling from Imperfect 3D Photogrammetry via Landmark-Anchored Spectral Warp

SCALP：基于地标锚定谱变形的不完美3D摄影测量半监督统计形状建模

Nawazish Khan, Sanjay Bhandari, Sarang Joshi, Alzbeta Novotna, Tiffany Jeong, Loretta Bowman, Michael Hernandez, Tobi Somorin, Viraj Govani, Jesse Glodstein, Shireen Elhabian

机构 * Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与成像研究所） ； Kahlert School of Computing, University of Utah（犹他大学卡勒特计算机学院） ； Division of Pediatric Plastic Surgery, UPMC Children’s Hospital of Pittsburgh（匹兹堡大学医学中心儿童医院小儿整形外科） 纠错

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

AI总结 SCALP是一种半监督统计形状建模框架，通过两阶段方法从原始不完美3D摄影测量扫描构建一致形状模型，在婴儿头型分析中优于现有无监督点云方法，提供无辐射的临床可行途径。

Beyond Random Partitioning: Unsupervised Spatio-Temporal Stratification for Cohort Balancing in Longitudinal Medical Imaging

超越随机划分：纵向医学影像中队列平衡的无监督时空分层方法

Qinghui Liu, Jon André Ottesen, Atle Bjørnerud, Kyrre Eeg Emblem

机构 * Oslo University Hospital（奥斯陆大学医院） 纠错

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

AI总结 针对纵向医学影像随机划分导致的协变量偏移和采样失衡问题，提出三方数据集分析框架，结合肘部优化K-means与分层抽样，实现队列平衡，大幅降低强度偏差，提升划分稳定性。

Comments 22 pages, 7 figues

Few-shot Deep Learning for Phase-Amplitude Aberration Correction in Transcranial Focused Ultrasound

用于经颅聚焦超声中相位-振幅像差校正的少样本深度学习

Minju Seol, Minjee Seo, Seonaeng Cho, Kyungho Yoon

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

AI总结 该研究针对经颅聚焦超声像差校正的实时需求，提出少样本深度代理框架，通过预训练加少量微调实现快速适配，校正精度高且速度较传统方法提升显著。

Comments 11 pages, 3 figures, 3 tables

Segmentation Robustness and Predictive Utility in Glioblastoma Radiomics: Evidence for a Trade-off in Survival Modelling

胶质母细胞瘤放射组学中的分割稳健性和预测效用：生存模型中权衡的证据

Mariya Miteva, Maria Nisheva-Pavlova

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

AI总结 研究胶质母细胞瘤放射组学中特征稳健性与预测效用的关系，通过UPENN-GBM队列获取4752个特征，用ICC量化稳健性，经多种模型交叉验证，发现稳健性非特征选择可靠标准，放射组学特征纳入未超临床基线，稳健性过滤未提升性能。

Comments Accepted as a full paper at HCist 2026 and for publication in Procedia Computer Science

Beyond Backbone Backpropagation: A Decoupled Strategy for Efficient Transfer Learning

超越骨干反向传播：一种用于高效迁移学习的解耦策略

Daniel Vila-Cruz, Laura Morán-Fernández, Verónica Bolón-Canedo

机构 * Universidade da Coruña（科鲁尼亚大学） ； CITIC（中信） 纠错

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

AI总结 针对深度学习模型部署难题，提出轻量级训练策略，解耦特征提取与分类器优化，预计算特征减少开销，重新设计分类器头。在多种架构和数据集上评估，显著减少训练时间，兼顾精度，还能大幅减少二氧化碳排放，提供可持续方案。

From Data Completeness to Data Sufficiency: A Task-Driven Imaging Framework for Intraoperative CBCT under Quality-Time-Dose Trade-offs

从数据完备性到数据充分性：质量-时间-剂量权衡下的术中CBCT任务驱动成像框架

Yi Jia, Rongjun Ge, Yang Chen, Yan Xi, Wenjun Xia

机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； School of Instrument Science and Engineering, Southeast University（东南大学仪器科学与工程学院） ； Shanghai First-Imaging Information Technology Co., LTD.（上海第一影像信息技术有限公司） 纠错

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

AI总结 该研究针对术中CBCT，指出追求数据完备性不合理，提出围绕数据充分性评估，强调临床决策所需最小图像质量阈值，综合多场景证据表明可接受近似误差以实现质量、时间、剂量平衡。

TMF-RSE: Tri-Modal Fusion with Regional Semantics and Evidential Uncertainty for Lung Severity Scoring

TMF-RSE：用于肺部严重程度评分的具有区域语义和证据不确定性的三模态融合

Fadi Abdeladhim Zidi, Salah Eddine Bekhouche, Abdellah Zakaria Sellam, Gaby Maroun, Fadi Dornaika, Cosimo Distante

机构 * Institute of Applied Sciences and Intelligent Systems (ISASI), CNR（应用科学与智能系统研究所（ISASI），CNR） ； Department of Computer Science and Artificial Intelligence, University of the Basque Country (UPV/EHU)（巴斯克国家大学计算机科学与人工智能系） ； University of Salento（萨莱nton大学） 纠错

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

AI总结 针对从胸部影像量化肺部疾病严重程度的问题，提出TMF-RSE框架，结合多模态特征，采用互补融合机制和证据回归，在相关数据集实验中性能优于基于Transformer的基线。

Comments 6 pages, 2 figures, 5 tables. IEEE conference format (IEEEtran). Submitted to AVSS 2026. Tri-modal fusion for lung severity scoring using appearance, segmentation, and VLM semantics with evidential uncertainty

Shape Over Intensity: Directional Topological Encoding for False Positive Reduction in Intracranial Aneurysm Detection

面向动脉瘤与分叉检测的拓扑形状表示方法

Akshay Gokhale, Mansi Dhamne

机构 * Sardar Patel Institute of Technology（萨达尔·帕特尔技术学院） 纠错

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

AI总结 针对颅内动脉瘤CTA检测假阳性高、小病灶灵敏度低的问题，提出即插即用拓扑感知框架，采用SECT表征血管几何，大幅提升小动脉瘤检测性能与跨设备泛化性。

Comments 36 pages, 12 figures, preprint

Graph Representation Learning of Longitudinal Medical Imaging Trajectories for Treatment Response Prediction

用于治疗反应预测的纵向医学影像轨迹的图表示学习

Johannes Kiechle, Richard Osuala, Daniel M. Lang, Stefan M. Fischer, Ivana Janíčková, Karim Lekadir, Julia A. Schnabel, Jan C. Peeken

机构 * Technical University of Munich（慕尼黑工业大学） ； TUM University Hospital Rechts der Isar（慕尼黑工业大学伊萨尔河右岸大学医院） ； Helmholtz Munich（慕尼黑亥姆霍兹中心） ； Universitat de Barcelona（巴塞罗那大学） ； Medical University of Vienna（维也纳医科大学） ； King’s College London（伦敦国王学院） ； 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)；分类 cs.CV、cs.LG

AI总结 针对乳腺癌患者新辅助化疗治疗反应预测难题，提出基于影像的3D时空框架，集成图神经网络及时空交互关系建模与新自监督目标，实验表明该方法性能优越，还建立了预测基准并评估相关影响。

PulmoSight-XAI: An Explainable Multi-View Attention Ensemble with Gradient Boosting Meta-Learning for Multi-Label Chest X-Ray Classification

PulmoSight-XAI：用于多标签胸部X光分类的具有梯度提升元学习的可解释多视图注意力集成

Moshiur Rahman, Shafqat Alam, Tasnia Binte Mamun

机构 * Department of Biomedical Engineering Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学（BUET）生物医学工程系） 纠错

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

AI总结 针对胸部X光分类挑战，提出分层多视图集成框架。用五个卷积神经网络分别处理正侧位片，结合多尺度特征融合与注意力模块，采用混合损失函数优化模型，通过分层元学习策略提升性能，兼具准确性与可解释性。

Comments 17 pages, 3 figures, 6 tables

CIPHER: Causal Intervention Pathways for Healthcare Equity and Robustness

CIPHER：用于医疗公平性和稳健性的因果干预路径

Xinyu Jia, Weidong Guo, Wangyuan Zhao, Yi Guo, Zeju Li, Yuanyuan Wang

机构 * College of Biomedical Engineering, Fudan University（复旦大学 生物医学工程学院） 纠错

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

AI总结 研究医疗诊断深度学习模型在敏感亚组间表现差异问题，基于结构因果模型揭示敏感属性影响图像内容的四条路径，引入CIPHER框架干预因果路径，提升诊断准确性并减少差异。

Comments 8 pages, 2 figures. Accepted by MICCAI 2026

MLFFM-SegDiff: A Multi-Level Feature Fusion Diffusion Model for Skin Lesion Segmentation

MLFFM-SegDiff：一种用于皮肤病变分割的多级特征融合扩散模型

Jingjun Gu, Chaojie Shen, Yifeng Cao, Wei Zhang, Yiliu Li, Aobo Fan

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

AI总结 针对皮肤镜图像分割中边界模糊、对比度低等问题，提出基于扩散模型的多级特征融合方法MLFFM-SegDiff，通过双路径U-Net编码器、多级特征融合模块和边界敏感损失函数提升分割精度，在ISIC2018等数据集上优于现有方法。

Tractography-Driven Synthetic Data Generation for Fiber Bundle Segmentation in Tracer Histology

基于纤维束成像的示踪组织学纤维束分割合成数据生成

Kyriaki-Margarita Bintsi, Sparsh Makharia, Yaël Balbastre, Joselyn Romero Avila, Julia F. Lehman, Suzanne N. Haber, Anastasia Yendiki

机构 * Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School（马萨诸塞总医院和哈佛医学院 Athinoula A. Martinos 生物医学影像中心） ； Krea University（Krea 大学） ； Department of Experimental Psychology, University College London（伦敦大学学院实验心理学系） ； Universidad Nacional Mayor de San Marcos（国立圣马科斯大学） ； Department of Pharmacology and Physiology, University of Rochester School of Medicine（罗切斯特大学医学院药理学与生理学系） ； McLean Hospital（麦克莱恩医院） 纠错

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

AI总结 提出利用离体dMRI纤维束成像作为生成先验合成2D图像块，结合真实背景和域随机化训练U-Net，实现猕猴示踪组织学中纤维束的自动分割，在减少3倍标注数据下达到与现有方法相当的性能。

Comments MICCAI 2026

Confidence is Not Reliability: Rethinking MC Dropout in Brain Tumour Segmentation

置信度不等于可靠性：重新思考脑肿瘤分割中的MC Dropout

Xin Ci Wong, Duygu Sarikaya, Kieran Zucker, Marc De Kamps, Nishant Ravikumar

机构 * Centre for Doctoral Training in AI for Medical Diagnosis and Care（人工智能辅助医疗诊断与护理博士培训中心） ； School of Computing, University of Leeds（利兹大学计算机学院） ； School of Computer Science, University of Leeds（利兹大学计算机科学学院） ； Leeds Cancer Centre, St James’s University Hospital, Leeds, UK（利兹癌症中心，圣詹姆斯大学医院，利兹，英国） 纠错

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

AI总结 通过MC Dropout不确定性估计，发现全局不确定性-误差对齐（AUROC≈0.97）可能掩盖关键子区域（如增强肿瘤）的严重误校准（ECE=0.915），表明子区域校准评估对临床安全至关重要。

Comments Accepted for MIUA2016

When LLMs Analyze Scars: From Images to Clinically-Meaningful Features

当LLM分析疤痕：从图像到临床有意义的特征

Ruman Wang, Hangting Ye

机构 * Liaoning University of Traditional Chinese Medicine（辽宁中医药大学） ； School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） 纠错

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

AI总结 提出ScaFE框架，利用LLM作为知识驱动的特征工程师，将高维图像转化为低维临床可解释特征，在数据稀缺的疤痕分类中优于端到端深度学习方法。

Parameter-Efficient Adaptation of SAM 3 for Automated ITV Generation from 4DCT Images

基于参数高效微调SAM 3从4DCT图像自动生成内靶区

Changwoo Song

机构 * Oncosoft Inc.（Oncosoft公司） ； Department of Computer Science & Engineering, Chungnam National University（忠南大学计算机科学与工程系） 纠错

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

AI总结 提出轻量框架，通过LoRA参数高效微调SAM 3，结合硬负样本挖掘和相位相干滤波，仅用7个标注体数据实现高精度内靶区自动生成，中位Dice达0.968。

Comments 10 pages, 4 figures, 2 tables

Leptomeningeal Collateral Detection on DSA via Vessel-Graph Neural Networks

基于血管图神经网络的DSA软脑膜侧支检测

Junyong Cao, Hakim Baazaoui, Chinmay Prabhakar, Suprosanna Shit, Lukas Bastian Otto, Susanne Wegener, Bjoern Menze, Ezequiel de la Rosa

机构 * University of Zurich（苏黎世大学） ； University Hospital Zurich（苏黎世大学医院） 纠错

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

AI总结 提出一种混合图-像素架构，在DSA血管图上对单个血管段分类，首次实现DSA中软脑膜侧支的个体化检测，PR-AUC达0.434，优于纯图或纯像素方法。

Tractogram foundation model

TractFM：纤维束图基础模型

Guikun Chen, Yuqian Chen, Yijie Li, Yogesh Rathi, Nikos Makris, Fan Zhang, Wenguan Wang, Lauren J. O'Donnell

机构 * The State Key Lab of Brain-Machine Intelligence, Zhejiang University, Hangzhou（脑机智能国家重点实验室，浙江大学，杭州） ； Department of Radiology, Brigham and Women’s Hospital, Mass General Brigham, Boston（放射科，布里洛妇女医院，马萨诸塞总医院，波士顿） ； Harvard Medical School, Boston（哈佛医学院，波士顿） ； Academy of Medical Engineering and Translational Medicine, Tianjin University, Tianjin（医学工程与转化医学研究院，天津大学，天津） ； School of Information and Communication Engineering, University of Electronic Science and Technology of China, Chengdu（信息与通信工程学院，电子科技大学，成都） ； Psychiatry Neuroimaging Laboratory, Brigham and Women’s Hospital, Mass General Brigham, Boston（精神病神经影像实验室，布里洛妇女医院，马萨诸塞总医院，波士顿） ； Department of Psychiatry, Center for Morphometric Analysis, Massachusetts General Hospital, Boston（精神病科，形态分析中心，马萨诸塞总医院，波士顿） 纠错

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

AI总结 提出TractFM基础模型，直接从全脑纤维束集学习可复用表示，结合局部纤维编码器和置换等变纤维束编码器，通过密集解剖束分割预训练，实现纤维束级和受试者级任务的迁移。

Boosting Generalizable Depth Estimation in Endoscopy by Mixture of Lightweight Experts and Intrinsic Image Alignment

基于轻量级专家混合与本征图像对齐的内窥镜可泛化深度估计增强方法

Liangjing Shao, Beilei Cui, Yiming Huang, Changjing Liu, Hongliang Ren

机构 * The Chinese University of Hong Kong（香港中文大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

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

AI总结 本文提出自监督框架EndoMINI，结合低秩专家混合与本征图像对齐，在多内窥镜数据集上实现了更优的可泛化深度估计性能。

Comments Accepted by MICCAI 2026 @ The Efficient Medical AI (EMA4MICCAI) Workshop (Oral Presentation)

Effect of User-Prompted Priors on Semi-Automated Cancer Lesion Segmentation in Whole-Body Computed Tomography

用户提示先验对全身计算机断层扫描中半自动癌症病变分割的影响

Isac Stark, Johan Öfverstedt, Elin Lundström, Simon Ekström, Håkan Ahlström, Joel Kullberg

机构 * Uppsala University（乌普萨拉大学） ； SciLifeLab（科学生命实验室） ； Antaros Medical（安塔罗斯医疗公司） 纠错

专题命中 医学影像 ：CT(summary_cn)；分类 cs.CV；medical image(comments)

AI总结 研究用户提示先验对全身CT半自动癌症病变分割的影响，利用多平面正交用户提示先验，经3折交叉验证和外部测试，结果显示该方法能提升分割性能，支持生成高质量体积真实数据。

Comments Accepted at MIUA (Medical Image Understanding and Analysis). To appear in Lecture Notes in Computer Science (LNCS). 12 pages, 2 figures

GB-SVFBP: Gaussian-Based Shift-Variant FBP neural network

GB-SVFBP：基于高斯的变移位FBP神经网络

Chengze Ye, Linda-Sophie Schneider, Yipeng Sun, Andreas Maier

专题命中 医学影像 ：CT(summary_cn)；分类 cs.CV；radiology(comments)

AI总结 针对非圆形轨迹锥束CT重建问题，提出基于高斯的变移位FBP神经网络，引入可训练二维高斯模型减少参数数量，实验表明其参数减少99%，训练时间降为四分之一，显著提升模型实用性与有效性。

Comments Accepted for poster presentation at the 18th International Meeting on Fully Three-Dimensional Image Reconstruction in Radiology and Nuclear Medicine (Fully3D 2025), Shanghai, China, May 27-30, 2025

$\texttt{DisMorph}$: learning to disentangle technical distortions from true biological change

DisMorph：学习解耦技术畸变与真实生物变化

Jingru Fu, Kathleen E. Larson, Douglas N. Greve, Bruce Fischl, Malte Hoffmann

专题命中 医学影像 ：MRI(abstract,abstract_cn)；分类 q-bio、eess.IV

AI总结 该研究提出DisMorph框架，通过合成数据训练解耦纵向形变中的技术畸变与生物变化，在模拟、真实畸变及AD数据上均展现出更优的配准与变化检测能力，为临床纵向形态测量提供了更准确的方案。

Comments 11 pages, 6 figures, longitudinal morphometry, deformable registration, neuroimaging, domain randomization, gradient non-linearity distortion, accepted by the SASHIMI Workshop at MICCAI 2026

CLABTOOLKIT: An Open-Source Toolkit for Routine Processing, Manipulation, and Visualization of Neuroimaging Data

CLABTOOLKIT：用于神经影像数据常规处理、操作和可视化的开源工具包

Yasser Alemán-Gómez, Nino Hervé, Patric Hagmann

机构 * Connectomics Lab, Department of Radiology, Lausanne University Hospital (CHUV)（洛桑大学医院（CHUV）放射科连接组学实验室） ； University of Lausanne (UNIL)（洛桑大学） 纠错

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

AI总结 神经影像研究面临数据结构多样、工具接口和格式不兼容问题。CLABTOOLKIT将相关操作整合为统一框架，核心数据结构可处理多种格式数据，还有多个模块支持多种分析及可视化，其配置系统方便定制工作流程。

Comments Presented at OHBM 2026 in Bordeaux, France. Submitted to Aperture Neuro

BrainWorld: A Structural-Prior-Conditioned Generative Model for Whole-Brain 4D fMRI Dynamics

BrainWorld：一种用于全脑4D fMRI动力学的结构先验条件生成模型

Junfeng Xia, Wenhao Ye, Junxiang Zhang, Xuanye Pan, Mo Wang, Quanying Liu

机构 * Department of Biomedical Engineering, Southern University of Science and Technology（南方科技大学生物医学工程系） ； School of Biomedical Engineering, Shenzhen University（深圳大学生物医学工程学院） 纠错

专题命中 医学影像 ：MRI(summary_cn)；分类 cs.CV、q-bio

AI总结 提出BrainWorld模型，利用结构MRI作为解剖先验条件，通过去噪过程生成全脑4D fMRI动态，在22个数据集上稳定生成400帧轨迹，并通过生成样本增强提升下游任务性能。