医学 AI

Evaluating Synthetic Data Generation for Domain Generalization in Fetal Brain MRI Segmentation

评估胎儿脑MRI分割中域泛化的合成数据生成

Vladyslav Zalevskyi, Thomas Sanchez, Margaux Roulet, Busra Bulut, Hélène Lajous, Jordina Aviles Verdera, Sara Neves Silva, Georg Langs, Gregor Kasprian, Roxane Licandro, Jana Hutter, Hamza Kebiri, Meritxell Bach Cuadra

机构 * Department of Radiology, Lausanne University Hospital and University of Lausanne (UNIL)（拉沃斯大学医院放射科和洛桑大学（UNIL）） ； CIBM Center for Biomedical Imaging（生物医学成像中心） ； Institute for Information Processing, Leibniz University Hannover（汉诺威莱比锡大学信息处理研究所） ； Department of Biomedical Engineering, School of Biomedical Engineering & Imaging Sciences, King’s College London（伦敦国王学院生物医学工程系） ； Department of Biomedical Imaging and Image-Guided Therapy, Division of Neuroradiology and Musculoskeletal Radiology, Medical University of Vienna（维也纳医学大学生物医学成像与影像引导治疗系） ； Department of Biomedical Imaging and Image-guided Therapy, Computational Imaging Research Lab (CIR), Medical University of Vienna（维也纳医学大学生物医学成像与影像引导治疗系，计算成像研究实验室（CIR）） ； Christian Doppler Laboratory for Mathematical Modelling and Simulation of Next-Generation Medical Ultrasound Devices, Medical University of Vienna（维也纳医学大学下一代医学超声设备数学建模与仿真克里斯蒂安多普勒实验室） ； Comprehensive Center for Artificial Intelligence in Medicine, Medical University of Vienna（维也纳医学大学人工智能在医学中的综合中心） ； Division of Neuroradiology and Musculoskeletal Radiology, Department of Biomedical Imaging and Image–guided Therapy, Medical University of Vienna（维也纳医学大学生物医学成像与影像引导治疗系，神经放射学和骨科放射学系） 纠错

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

AI总结 针对胎儿脑MRI分割中数据异质性和标注不足问题，研究基于域随机化的合成数据生成策略，提出FetalSynthSeg框架，通过高斯混合强度建模和强度聚类提升跨域鲁棒性，在多个数据集上达到最优性能。

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:023

Journal ref Machine.Learning.for.Biomedical.Imaging. 2026 (2026)

INFORM-CT: INtegrating LLMs and VLMs FOR Incidental Findings Management in Abdominal CT

INFORM-CT：整合LLM和VLM用于腹部CT的偶发发现管理

Idan Tankel, Nir Mazor, Rafi Brada, Christina LeBedis, Guy ben-Yosef

机构 * GE Healthcare Technology and Innovation Center（GE医疗技术与创新中心） ； Boston Medical Center（波士顿医疗中心） 纠错

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

AI总结 本文提出基于LLM和VLM的计划-执行框架，用于提高腹部CT偶发发现的检测、分类和报告效率与精度，通过自动化流程提升临床应用效果。

Comments Spotlight presentation at the 9th International Conference on Medical Imaging with Deep Learning (MIDL) 2026 Additional code and implementation details available at https://idan-tankel.github.io/InformCT_ProjectPage/

CT Open: An Open-Access, Uncontaminated, Live Platform for the Open Challenge of Clinical Trial Outcome Prediction

CT Open: 一个开放获取、无污染、实时平台，用于临床试验结果预测的开放挑战

Jianyou Wang, Youze Zheng, Longtian Bao, Hanyuan Zhang, Qirui Zheng, Yuhan Chen, Yang Zhang, Matthew Feng, Maxim Khan, Aditya K. Sehgal, Christopher D. Rosin, Ramamohan Paturi, Umber Dube, Leon Bergen

机构 * Laboratory for Emerging Intelligence, University of California, San Diego（新兴智能实验室，加州大学圣地亚哥分校） ； Department of Dermatology, University of California, San Diego（皮肤科系，加州大学圣地亚哥分校） ； Elsevier 纠错

专题命中 医学影像 ：CT(title,title_cn)；biomedical(abstract)

AI总结 本文介绍CT Open平台，通过开放挑战预测临床试验结果，采用自动化方法解决数据污染问题，提供训练集和测试基准，推动AI在现实结果预测中的应用。

Comments Published at Conference on Language Modeling (COLM), 2026

Training-Free Adversarial Robustness in Computational MRI

计算MRI中无需训练的抗对抗鲁棒性

Mahdi Saberi, Chi Zhang, Mehmet Akçakaya

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

AI总结 提出一种无需重训练即可缓解MRI重建模型对抗攻击的方法，基于循环测量一致性在攻击输入的小邻域内最小化目标函数，显著降低对抗扰动影响。

Comments International Conference on Machine Learning (ICML), 2026

HULFSynth : An INR based Super-Resolution and Ultra Low-Field MRI Synthesis via Contrast factor estimation

HULFSynth: 基于隐式神经表示的超分辨率和超低场MRI合成，通过对比因子估计

Pranav Indrakanti, Luca Trautmann, Ivor Simpson

机构 * LILI Lab, University of Sussex, Brighton, UK（利利实验室，苏塞克斯大学，布里斯托尔，英国） 纠错

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

AI总结 提出无监督单图像双向MRI合成器，基于物理模型估计组织类型信噪比实现高低场转换，并利用隐式神经表示网络实现超分辨率，在合成和真实数据上验证了对比度提升。

Comments Medical Image Understanding and Analysis, MIUA 2026

A Systematic Benchmark of Intensity Normalisation Methods for 3D Knee MRI Segmentation and Cross-Domain Generalisability

用于3D膝关节MRI分割和跨域泛化性的强度归一化方法的系统基准测试

Oliver Mills, Philip Conaghan, Samuel Relton

机构 * University of Leeds（利兹大学） ； NIHR Leeds Biomedical Research Centre（英国国家卫生研究院利兹生物医学研究中心） 纠错

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

AI总结 研究针对膝关节MRI分割，系统比较七种强度归一化方法对3D U-Net模型性能的影响，用IWOAI 2019数据集训练并在内外测试集评估，发现归一化对泛化性有影响但相对域偏移有限，凸显需互补策略。

Comments This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this contribution is published in 30th Annual Conference on Medical Image Understanding and Analysis, MIUA 2026. Code is available at https://github.com/oliverjm1/mri_normalisation. Updated to include acknowledgements and funding information

Exploiting Completeness Perception with Diffusion Transformer for Unified 3D MRI Synthesis

利用扩散变换器的完整性感知实现统一的3D MRI合成

Junkai Liu, Nay Aung, Theodoros N. Arvanitis, Joao A. C. Lima, Steffen E. Petersen, Le Zhang

机构 * School of Engineering, University of Birmingham, UK（伯明翰大学工程学院） ； William Harvey Research Institute, Queen Mary University London, UK（女王玛丽大学伦敦威廉·哈里维研究所） ； Barts Heart Centre, St Bartholomew’s Hospital, Barts Health NHS Trust, UK（巴特勒心脏中心，圣巴塞洛缪医院，巴特勒健康 NHS信托） ； Division of Cardiology, Johns Hopkins University School of Medicine, US（约翰霍普金斯大学医学院心脏病科） 纠错

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

AI总结 本文提出CoPeDiT模型，通过完整性感知机制提升3D MRI合成的语义一致性与鲁棒性。

Comments Accepted to TMLR

AMPLIFAI: A Multiphase CT Dataset for Benchmarking Clinical Reasoning in LI-RADS Assessment of Liver Lesions

AMPLIFAI：用于基准测试LI-RADS肝脏病变评估临床推理的多期CT数据集

Pranav Kulkarni, Nikhil Shah, Amritansh Suryavanshi, Jana G. Delfino, James Tonascia, Jade Wong-You-Cheong, Barton Lane, Joseph Chirico, Jeffrey D. Hirsch, Ang Li, Heng Huang, Florence X. Doo

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Maryland School of Medicine（马里兰大学医学院） ； University of Maryland Institute for Health Computing（马里兰大学健康计算研究所） ； University of Maryland Medical System（马里兰大学医学系统） 纠错

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

AI总结 研究针对LI-RADS肝脏病变评估AI模型缺乏公开高质量数据集的问题，推出首个公开多期腹部CT扫描的AMPLIFAI数据集，标注LI-RADS类别并分割关键特征，助力相关透明可复现研究。

Comments 15 pages, 6 figures, 3 tables

A continually expandable foundation model for brain MRI

可持续扩展的脑MRI基础模型

Michail Mamalakis, Carmen Jimenez-Mesa, Yonghao Li, Hao Chen, Chao Li, Antonios Mamalakis, John Suckling, Richard Bethlehem, Stephen J. Price, Richard J. Gilbertson, Pietro Lio

机构 * University of Cambridge（剑桥大学） ； University of Málaga（马拉加大学） 纠错

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

AI总结 本文提出可扩展的Alcmaeon脑MRI基础模型，结合体积编码、潜在扩散生成与Graph-Blueprint Pruning，在跨临床领域扩展时遗忘程度更低，可支持多种任务，为持续发展的脑MRI基础模型提供了可行方向。

Comprehensive framework for evaluation of deep neural networks in detection and quantification of lymphoma from PET/CT images: clinical insights, pitfalls, and observer agreement analyses

用于PET/CT图像中淋巴瘤检测与量化的深度神经网络评估综合框架：临床见解、陷阱及观察者一致性分析

Shadab Ahamed, Yixi Xu, Sara Kurkowska, Claire Gowdy, Joo H. O, Ingrid Bloise, Don Wilson, Patrick Martineau, François Bénard, Fereshteh Yousefirizi, Rahul Dodhia, Juan M. Lavista, William B. Weeks, Carlos F. Uribe, Arman Rahmim

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

AI总结 本研究提出综合框架评估ResUNet等四种深度网络在611例淋巴瘤PET/CT图像上的分割性能，发现小而微弱病灶对网络和医生均具挑战性，提升了自动分割的临床相关性

Comments 35 pages, 15 figures, 6 tables

Journal ref Physica Medica, 148, 105832 (2026)

Resolution-Agnostic Neural Operators for Multi-Rate Sparse-View CT

分辨率无关的神经算子用于多速率稀疏视角CT

Aujasvit Datta, Jiayun Wang, Asad Aali, Anima Anandkumar

机构 * Caltech（加州理工学院） ； IIT Kanpur（印度理工学院坎普尔分校） ； Stanford University（斯坦福大学） 纠错

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

AI总结 CTO提出一种分辨率无关的神经算子框架，通过连续函数空间实现多速率稀疏视角CT重建的泛化，提升重建质量和效率。

Sparse Mixture-of-Experts for Non-Uniform Noise Reduction in MRI Images

用于MRI图像非均匀降噪的稀疏混合专家模型

Zeyun Deng, Joseph Campbell

机构 * Purdue University（普渡大学） 纠错

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

AI总结 针对MRI图像非均匀噪声问题，提出细粒度稀疏混合专家框架，将图像分区域后路由至专用降噪CNN，在合成与真实脑部MRI数据集上性能优于现有方法，且泛化性良好。

Comments Accepted to the WACV Workshop on Image Quality

Journal ref in 2025 IEEE/CVF Winter Conference on Applications of Computer Vision Workshops (WACVW), Tucson AZ USA, pp 260-268

Efficient Flow Matching for Sparse-View CT Reconstruction

用于稀疏视图CT重建的高效流匹配

Jiayang Shi, Lincen Yang, Zhong Li, Tristan van Leeuwen, Daniel M. Pelt, K. Joost Batenburg

机构 * Centrum Wiskunde en Informatica（数学与信息学研究中心） ； LIACS, Leiden University（莱顿大学LIACS） ； Great Bay University（大湾大学） ； Mathematical Institute, Utrecht University（乌得勒支大学数学研究所） 纠错

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

AI总结 研究利用流匹配（FM）模型进行CT重建，因其确定性与数据一致性操作天然兼容。提出基于FM的CT重建框架及高效变体，通过重用预测速度场减少神经网络函数评估次数，提高推理效率，实验证明效果良好。

Journal ref MICCAI 2026

Region-Aware Multimodal Large Language Model via SlowFast Tokenization and Pseudo-Mask Guidance for 3D CT Report Generation

区域感知多模态大语言模型：基于慢快标记化与伪掩码引导的3D CT报告生成

Sunggu Kyung, Jinyoung Seo, Hyunseok Lim, Dongyeong Kim, Hyungbin Park, Jimin Sung, Jihyun Kim, Wooyoung Jo, Yoojin Nam, Namkug Kim

机构 * Department of Convergence Medicine, University of Ulsan College of Medicine, Asan Medical Center, Seoul, Republic of Korea（韩国首尔峨山医疗中心蔚山大学医学院融合医学系） ； University of Ulsan College of Medicine, Seoul, Republic of Korea（韩国首尔蔚山大学医学院） ； Department of Radiology and Research Institute of Radiology, University of Ulsan College of Medicine, Asan Medical Center, Seoul, Republic of Korea（韩国首尔峨山医疗中心蔚山大学医学院放射科与放射学研究所） 纠错

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

AI总结 提出MedRegion-CT框架，通过区域慢快标记器联合建模全局与细粒度信息、伪掩码引导关注诊断关键区域、结构化病变信息提示，实现高质量CT报告生成，在多项指标上达到最优。

Comments Accepted to ECCV 2026. 15 pages, 8 figures, 4 tables

Efficient Image-to-Image Schrödinger Bridge for CT Field of View Extension

面向CT视野扩展的高效图像到图像薛定谔桥

Zhenhao Li, Song Ni, Long Yang, Xiaojie Yin, Haijun Yu, Jiazhou Wang, Hongbin Han, Weigang Hu, Yixing Huang

机构 * Institute of Medical Technology, Peking University Health Science Center（北京大学人民医院医学技术研究所） ； Shanghai Cancer Center, Fudan University（复旦大学上海癌症中心） ； Department of Electrical and Computer Engineering, University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校电气与计算机工程系） ； Beijing Key Laboratory of Intelligent Neuromodulation and Brain Disorder Treatment（北京智能神经调控与脑疾病治疗重点实验室） 纠错

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

AI总结 提出基于图像到图像薛定谔桥（I²SB）扩散模型的CT视野扩展框架，通过直接学习有限视野与扩展视野图像间的随机映射，实现单步快速推理，在精度和速度上均超越现有扩散模型。

Comments 12 pages

Journal ref IEEE Transactions on Radiation and Plasma Medical Sciences 2026

CogGen: Cognitive-Load-Inspired Fully Unsupervised Deep Generative Modeling for Compressively Sampled MRI Reconstruction

CogGen: 认知负荷启发的全无监督深度生成模型用于压缩感知MRI重建

Qingyong Zhu, Yumin Tan, Xiang Gu, Dong Liang

机构 * Medical AI Research Centre, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院医学人工智能研究中心） ； School of Biomedical Engineering, Southern Medical University（南方医科大学生物医学工程学院） ； School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院） ； Paul C. Lauterbur Research Centre for Biomedical Imaging, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院Paul C. Lauterbur生物医学成像研究中心） 纠错

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

AI总结 提出CogGen框架，基于认知易到难原则，通过自定进度课程学习和MRI感知双阈值加权策略，将CS-MRI重建分解为分阶段反演问题，理论证明降低局部充分迭代界和累积噪声放大界，实验优于现有无监督和有监督方法。

CT-VDETR: Semi-supervised 3D Trauma Detection in Computed Tomography (CT) scans using Dense Vertex Relative Position Encoding

CT-VDETR：使用密集顶点相对位置编码的CT扫描半监督3D创伤检测

Shivam Chaudhary, Sheethal Bhat, Andreas Maier

机构 * University of Freiburg（弗赖堡大学） 纠错

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

AI总结 提出CT-VDETR框架，结合自监督预训练和半监督transformer检测，在仅78个标注体数据上实现31.33% mAP@0.50，比纯监督方法提升1.53倍。

Comments v2: Updated results with corrected dataset split. Revised Table 1 (mAP@0.50: 31.33% SSL vs 20.45% baseline, 1.53x improvement; mAP@0.75: 30.95% vs 10.45%, 2.96x improvement). Updated validation curves showing stable convergence. No methodology changes. 7 pages, 4 figures, 2 tables. Code: https://github.com/shivasmic/3d-trauma-detection-ssl

Cyst-X: A Multi-Center MRI Benchmark and Federated Learning Framework for Malignancy-Risk Stratification of Pancreatic Cystic Neoplasm

Cyst-X：用于胰腺囊性肿瘤恶性风险分层的多中心MRI基准与联邦学习框架

Hongyi Pan, Gorkem Durak, Elif Keles, Ziliang Hong, Deniz Seyithanoglu, Zheyuan Zhang, Alpay Medetalibeyoglu, Halil Ertugrul Aktas, Andrea Mia Bejar, Yavuz Taktak, Gulbiz Dagoglu Kartal, Mehmet Sukru Erturk, Timurhan Cebeci, Yury Velichko, Lili Zhao, Emil Agarunov, Federica Proietto Salanitri, Concetto Spampinato, Pallavi Tiwari, Ziyue Xu, Sachin Jambawalikar, Ivo G. Schoots, Marco J. Bruno, Chenchan Huang, Candice W. Bolan, Tamas Gonda, Frank H. Miller, Rajesh N. Keswani, Michael B. Wallace, Ulas Bagci

机构 * Machine & Hybrid Intelligence Lab, Department of Radiology, Northwestern University（机器与混合智能实验室，放射科，西北大学） ； Istanbul Faculty of Medicine, Istanbul University（伊斯坦布尔大学医学学院） ； Department of Biomedical Engineering and Radiology, University of Wisconsin-Madison（生物医学工程与放射科，威斯康星大学麦迪逊分校） ； Department of Preventive Medicine, Northwestern University（预防医学系，西北大学） ； Division of Gastroenterology and Hepatology, New York University（消化内科与肝病科，纽约大学） ； Department of Electrical, Electronic and Computer Engineering, University of Catania（电气、电子和计算机工程系，卡塔尼亚大学） ； NVIDIA ； Department of Radiology, Columbia University（放射科，哥伦比亚大学） ； Department of Radiology and Nuclear Medicine, Erasmus Medical Center（放射科与核医学科，埃因霍温医学院） ； Department of Gastroenterology and Hepatology, Erasmus Medical Center（消化内科与肝病科，埃因霍温医学院） ； Department of Radiology, New York University（放射科，纽约大学） ； Division of Gastroenterology and Hepatology, Mayo Clinic Florida（消化内科与肝病科，迈阿密诊所佛罗里达分部） ； Department of Gastroenterology and Hepatology, Northwestern University（消化内科与肝病科，西北大学） 纠错

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

AI总结 提出Cyst-X，一个多中心MRI基准和联邦学习框架，用于IPMN恶性风险分层，结合PanSegNet分割器和3D DenseNet-121分类器，在内部交叉验证中达到0.85的AUC，性能与放射科医生相当。

Cardiac MRI Through-Plane Super-Resolution Guided by Reference and Memory

基于参考和记忆引导的心脏MRI平面内超分辨率

Shaoming Pan, Chenchuhui Hu, Leon Axel, Meng Ye

机构 * University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； New York University Grossman School of Medicine（纽约大学格罗斯曼医学院） 纠错

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

AI总结 研究针对临床心脏MRI平面间分辨率粗糙的问题，提出STRMSR框架，利用参考视图和中间结果重建高分辨率心脏容积，通过粗到细匹配、动态特征聚合等方法，在WHS数据集实验中，相比基线在不同上采样因子下有一致改进。

Comments 8 pages, 3 figures 2 tables (accepted In International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) Workshop STACOM, 2026 (oral))

Validation of Fully-Automated Deep Learning-Based Fibroglandular Tissue Segmentation for Efficient and Reliable Quantitation of Background Parenchymal Enhancement in Breast MRI

用于乳腺MRI中背景实质增强高效可靠量化的全自动深度学习型纤维腺体组织分割验证

Yu-Tzu Kuo, Anum S. Kazerouni, Vivian Y. Park, Wesley Surento, Suleeporn Sujichantararat, Daniel S. Hippe, Habib Rahbar, Savannah C. Partridge

专题命中 医学影像 ：MRI(title,title_cn)；分类 eess.IV；diagnosis(journal_ref)

AI总结 本研究验证了一种开源全自动深度学习型纤维腺体组织分割方法，其在乳腺MRI背景实质增强量化中，较半自动模糊C均值方法相关性更强、质量更高，可提升效率并助力标准化乳腺癌风险评估。

Journal ref Proc. SPIE 13926, Medical Imaging 2026: Computer-Aided Diagnosis, 139262F (2026)

FlowLet: Conditional 3D Brain MRI Synthesis using Wavelet Flow Matching

FlowLet: 基于小波流匹配的条件性3D脑MRI合成

Danilo Danese, Angela Lombardi, Matteo Attimonelli, Giuseppe Fasano, Tommaso Di Noia

机构 * Politecnico di Bari（巴里理工学院） ； Sapienza University of Rome（罗马萨皮恩扎大学） 纠错

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

AI总结 提出FlowLet框架，利用可逆3D小波域中的流匹配生成年龄条件化的3D脑MRI，避免重建伪影并降低计算需求，实验证明其生成高保真体积且提升脑年龄预测模型对低代表性年龄组的性能。

Comments Accepted at Medical Image Analysis (Elsevier)

MMRINet: Efficient Mamba-Based Segmentation with Dual-Path Refinement for Low-Resource MRI Analysis

MMRINet: 基于Mamba的高效双路径细化分割网络用于低资源MRI分析

Abdelrahman Elsayed, Ahmed Jaheen, Mohammad Yaqub

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

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

AI总结 提出MMRINet，一种基于Mamba的轻量级分割网络，通过双路径特征细化和渐进特征聚合，在低资源MRI分析中以2.5M参数实现高效分割，在SSA数据集上优于UNETR等基线。

Comments Accepted at The Medical Image Understanding and Analysis Conference (MIUA 2026)

When Do Cheap Probes Predict Expensive Training? Probing 3D-CT Encoders for Text Generation

廉价探针预测3D-CT视觉语言模型中的昂贵训练

Renjie Liang, Zijian Xu

机构 * University of Florida（佛罗里达大学） 纠错

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

AI总结 研究为3D-CT视觉语言模型选编码器及压缩方案时，候选组合多难比较。提出用廉价探针替代，构建含验证门限的探测基准，比较读出头并配对探针与下游任务，早期结果显示廉价探针排序与昂贵微调一致，有望快速筛选方案。

WaveDiT: Distribution-Aware Wavelet Flow Matching for Efficient 3D Brain MRI Synthesis

WaveDiT: 面向高效3D脑MRI合成的分布感知小波流匹配

Danilo Danese, Angela Lombardi, Giuseppe Fasano, Matteo Attimonelli, Tommaso Di Noia

机构 * Politecnico di Bari（巴里理工大学） ； Sapienza University of Rome（罗马大学） 纠错

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

AI总结 提出WaveDiT，一种在3D Haar离散小波变换系数空间中运行的条件流匹配框架，通过分解时空注意力与基于高阶小波统计的带状异方差不确定性建模，实现单GPU上全分辨率3D脑MRI高效合成，在分布对齐和下游任务中优于现有方法。

Comments Provisionally accepted at MICCAI 2026

Confidence-Calibrating Regularization for Robust Brain MRI Segmentation Under Domain Shift

面向域偏移下鲁棒脑部MRI分割的置信度校准正则化方法

Behraj Khan, Tahir Qasim Syed, Syed Ahmad Chan Bukhari, Vasile Palade, Vincent Vigneron

机构 * Institute of Business Administration（商业管理学院） 纠错

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

AI总结 针对SAM用于脑部MRI分割时的域偏移与过置信问题，提出轻量适配框架CalSAM，通过FIP与CMP仅微调解码器，在多数据集偏移任务上显著提升分割准确率与置信度校准度。

Improving Deep Learning for Accelerated MRI With Data Filtering

通过数据过滤改进用于加速MRI的深度学习

Kang Lin, Anselm Krainovic, Kun Wang, Reinhard Heckel

专题命中 医学影像 ：MRI(title,title_cn)；分类 eess.IV

AI总结 本研究针对加速MRI重建，通过整合多源数据构建评估集，提出数据过滤策略，实验证实该策略可稳定提升当前SOTA神经网络的性能，且在分布内数据占比低时效果更显著。

RibAssist 3D: Biplanar Rib-Fracture Detection, Addressing, and Selective 3D Localization from CT-Derived Projections

RibAssist 3D：基于CT衍生投影的双侧肋骨骨折检测、配对与选择性3D定位

Kabila Haile Soboka

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 本研究提出RibAssist 3D模型，通过CT的双侧投影实现肋骨骨折的检测、配对与选择性3D定位，识别跨视图配对置信度为瓶颈，经实验验证其几何精度高，可辅助提升肋骨骨折定位效率。

Comments 9 pages, 6 figures. Code available at: https://github.com/kabJhai/RibAssist-3D

Now You Have My Healthy Attention: A U-DiT for Brain-MRI Inpainting

现在你拥有我的健康注意力：用于脑部MRI修复的U-DiT

Danilo Danese, Angela Lombardi, Tommaso Di Noia

机构 * Politecnico di Bari（巴里理工大学） 纠错

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

AI总结 针对脑部MRI修复任务，提出U-DiT模型，结合对侧对称先验与注意力约束，在BraTS-2026验证集219例病例上取得健康区域SSIM 0.864等优异指标，提升了解剖学合理性。

Decouple and Reason: Anatomically Guided Two-Stage Voxel-Level Grounding of Free-Text Findings in 3D Chest CT

解耦与推理：3D胸部CT中自由文本发现的解剖学引导两阶段体素级定位

Kwang-Hyun Uhm, Inhwa Son, Sung-Jea Ko

机构 * Department of Artificial Intelligence, Gachon University（韩国加图立大学人工智能系） ； MEDAI 纠错

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

AI总结 研究3D胸部CT中自由文本发现的体素级定位难题，提出解耦框架，分病变分割和文本-体积推理两阶段，利用解剖学引导解决空间模糊性，在基准测试中取得领先，证明解耦是处理该复杂性的有效范式。

Comments Accepted to MICCAI 2026 (Spotlight Presentation)

ReDiff: Reliability-Guided Diffusion for Trustworthy Ultra-Low-Field to High-Field MRI Synthesis

迈向可信的选择性生成：用于超低场到高场MRI合成的可靠性引导扩散

Zhenxuan Zhang, Peiyuan Jing, Ruicheng Yuan, Liwei Hu, Anbang Wang, Fanwen Wang, Yinzhe Wu, Kh Tohidul Islam, Zhaolin Chen, Zi Wang, Peter Lally, Guang Yang

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

AI总结 本文提出ReDiff框架，通过可靠性引导的采样策略和多候选选择方案，提升MRI合成的鲁棒性和解剖学一致性，减少伪影并提高结构保真度。