医学 AI

Clinical Metadata Guided Limited-Angle CT Image Reconstruction

临床元数据引导的限角CT图像重建

Yu Shi, Shuyi Fan, Changsheng Fang, Shuo Han, Haodong Li, Li Zhou, Bahareh Morovati, Dayang Wang, Hengyong Yu

机构 * University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校） 纠错

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

AI总结 本文提出基于结构化临床元数据的两阶段扩散框架，用于改进限角CT重建，通过整合元数据提升图像质量与效率。

Comments IEEE Transactions on Medical Imaging, 2026

VolDiT: Controllable Volumetric Medical Image Synthesis with Diffusion Transformers

VolDiT：基于扩散变换器的可控体积医学图像合成

Marvin Seyfarth, Salman Ul Hassan Dar, Yannik Frisch, Philipp Wild, Norbert Frey, Florian André, Sandy Engelhardt

机构 * Institute for Artificial Intelligence in Cardiovascular Medicine, Medical Faculty of Heidelberg University, Heidelberg University（海德堡大学医学院心血管医学人工智能研究所） ； Department of Cardiology, Angiology, Pneumology, Heidelberg University Hospital（海德堡大学医院心脏病学、血管学、肺病学系） ； DZHK (German Centre for Cardiovascular Research), Partner Site Heidelberg/Mannheim（德国心血管研究中心（DZHK）海德堡/曼海姆合作站点） ； University Medical Center of the Johannes Gutenberg-University Mainz（美因茨约翰内斯·古腾堡大学医学中心） 纠错

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

AI总结 本文提出VolDiT，首个纯变压器架构的3D扩散模型，通过体积块嵌入和全局自注意力实现3D数据处理，引入时间步门控控制适配器提升生成可控性，实验证明其在医学图像合成中具有更高的全局一致性与生成保真度。

Hyper-Connections for Adaptive Multi-Modal MRI Brain Tumor Segmentation

超连接用于自适应多模态MRI脑肿瘤分割

Lokendra Kumar, Shubham Aggarwal

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

AI总结 本文提出超连接用于体积多模态脑肿瘤分割，通过在五个架构中替代固定残差连接，提升BraTS 2021数据集上模型性能，尤其在增强肿瘤区域表现突出。

Comments 29 pages,6 tables,17 figures

CARE: Training-Free Controllable Restoration for Medical Images via Dual-Latent Steering

CARE：通过双潜在引导实现无需训练的医学图像可控修复

Xu Liu

机构 * University of Washington（华盛顿大学） 纠错

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

AI总结 本文提出CARE框架，通过双潜在策略在推理过程中平衡结构保持与先验引导，实现无需训练的可控医学图像修复，提升修复质量并减少不合理的重建风险。

Subject-Specific Low-Field MRI Synthesis via a Neural Operator

针对特定主体的低场MRI合成通过神经算子

Ziqi Gao, Nicha Dvornek, Xiaoran Zhang, Gigi Galiana, Hemant Tagare, Todd Constable

机构 * Departments of Biomedical Engineering, Yale University（耶鲁大学生物医学工程系） 纠错

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

AI总结 本文提出一种端到端的低场MRI合成框架，通过学习高场到低场的图像退化过程，提升低场MRI的模拟精度和诊断能力。

Comments 11 pages, 2 figures, 2 tables

Coronary artery calcification assessment in National Lung Screening Trial CT images (DeepCAC2)

在国家肺癌筛查试验CT图像中评估冠状动脉钙化（DeepCAC2）

Leonard Nürnberg, Simon Bernatz, Borek Foldyna, Michael T. Lu, Andrey Fedorov, Hugo JWL Aerts

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

AI总结 本文提出DeepCAC2数据集，利用深度学习自动处理NLST的CT扫描，生成标准化的冠状动脉钙化分割和风险评估，为心血管风险评估和影像生物标志物开发提供公开资源。

VocSegMRI: Multimodal Learning for Precise Vocal Tract Segmentation in Real-time MRI

VocSegMRI：多模态学习在实时MRI中的精确声带段分割

Daiqi Liu, Johannes Enk, Maureen Stone, Fangxu Xing, Tomás Arias-Vergara, Jerry L. Prince, Jana Hutter, Jonghye Woo, Andreas Maier, Paula Andrea Pérez-Toro

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃朗根-纽伦堡大学） ； University of Maryland School of Dentistry（马里兰大学牙科学院） ； Harvard Medical School/Massachusetts General Hospital（哈佛医学院/麻省总医院） ； Universidad de Antioquia UdeA（安蒂奥基亚大学 UdeA） ； Johns Hopkins University（约翰霍普金斯大学） ； Leibniz University Hannover（汉诺威莱布尼茨大学） 纠错

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

AI总结 本文提出VocSegMRI，通过跨注意力融合和对比学习目标，整合视频、音频和语音学输入，实现实时MRI中声带结构的精确分割，实验表明其优于单模态和多模态基线方法。

Comments Preprint submitted to MIDL short paper 2026

From Noisy Labels to Intrinsic Structure: A Geometric-Structural Dual-Guided Framework for Noise-Robust Medical Image Segmentation

从噪声标签到内在结构：一种几何-结构双引导框架用于抗噪声医学图像分割

Tao Wang, Zhenxuan Zhang, Yuanbo Zhou, Xinlin Zhang, Yuanbin Chen, Tao Tan, Guang Yang, Tong Tong

机构 * College of physics ； information engineering, Fuzhou University, Xueyuan Road No.2, Fuzhou, 350108, China ； Bioengineering Department ； Imperial-X, Imperial College London, London W12 7SL, UK ； Lung Institute, Imperial College London, London SW7 2AZ, UK ； Cardiovascular Research Centre, Royal Brompton Hospital, London SW3 6NP, UK ； School of Biomedical Engineering \& Imaging Sciences, King's College London, London WC2R 2LS, UK ； Faculty of Applied Science, Macao Polytechnic University, Macao Special Administrative Region of China 纠错

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

AI总结 本文提出GSD-Net框架，通过整合几何和结构线索提升抗噪声能力，实验表明在噪声标注下性能优越，特别是在Kvasir、Shenzhen等数据集上提升显著。

Focus on Background: Exploring SAM's Potential in Few-shot Medical Image Segmentation with Background-centric Prompting

聚焦背景：探索SAM在少样本医学图像分割中的潜力：基于背景的提示生成

Yuntian Bo, Yazhou Zhu, Piotr Koniusz, Haofeng Zhang

机构 * Nanjing University of Science and Technology（南京理工大学） ； University of New South Wales（新南威尔士大学） ； Data61 CSIRO 纠错

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

AI总结 本文提出FoB，通过背景中心提示生成解决SAM在医学图像分割中的过度分割问题，实验表明其在少样本分割任务中表现优异，具有良好的跨领域泛化能力。

Comments Accepted by CVPR26

Joint Segmentation and Grading with Iterative Optimization for Multimodal Glaucoma Diagnosis

多模态青光眼诊断的联合分割与分级迭代优化方法

Zhiwei Wang, Yuxing Li, Meilu Zhu, Defeng He, Edmund Y. Lam

机构 * Department of Electrical and Electronic Engineering, The University of Hong Kong, Hong Kong, China（香港大学电子与电气工程系） ； College of Information Engineering, Zhejiang University of Technology, Hangzhou, China（浙江工业大学信息工程学院） 纠错

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

AI总结 本文提出一种迭代多模态优化模型，通过中层融合策略整合眼底和OCT特征，并利用跨模态特征对齐模块减少模态差异，实现青光眼的精确分割与分级。

Rethinking domain generalization in medical image segmentation: One image as one domain

重新思考医学图像分割中的领域泛化：一张图像即一个领域

Jin Hong, Bo Liu

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

AI总结 本文提出'一张图像即一个领域'假设，通过统一解耦框架实现多源和单源领域泛化，提升分割鲁棒性，实验显示在视盘和视杯分割中Dice分数达84.43%和88.91%。

CaroTo: A Tool for Fast Comprehensive Analysis of Carotid Artery Stenosis in 4D PC- and 3D BB-MRI Data

CaroTo：一种用于快速全面分析4D PC-和3D BB-MRI数据颈动脉狭窄的工具

Hinrich Rahlfs, Markus Hüllebrand, Sebastian Schmitter, Jonathan Andrae, Christoph Strecker, Andreas Harloff, Anja Hennemuth

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

AI总结 CaroTo工具通过多模态和多维分割、生物标志物提取和可视化，实现颈动脉动脉粥样斑块的标准化评估，提升颈动脉狭窄分析的精度和一致性。

Comments VCBM 2024, Poster Honorable Mention

Interpretable Prostate Cancer Detection using a Small Cohort of MRI Images

利用少量MRI图像进行可解释的前列腺癌检测

Vahid Monfared, Mohammad Hadi Gharib, Ali Sabri, Maryam Shahali, Farid Rashidi, Amit Mehta, Reza Rawassizadeh

机构 * Department of Computer Science, Boston University Metropolitan College（波士顿大学计算机科学系） ； Department of Radiology, McMaster University（麦斯特大学放射科） ； Department of Radiology, School of Medicine, 5th Azar Hospital, Golestan University of Medical Sciences（戈兰大学医学学院放射科，第五阿扎尔医院） ； Department of Medical Imaging, Niagara Health System（尼亚加拉健康系统医学影像科） ； Center of Excellence in Precision Medicine and Digital Health, Department of Physiology, Chulalongkorn University（朱拉隆梭大学精准医学与数字健康中心，生理学系） 纠错

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

AI总结 本文提出了一种基于小数据集的可解释前列腺癌检测框架，通过迁移学习和数据增强解决数据稀缺问题，比较了多种模型性能，展示了手工特征在小数据集中的有效性，并验证了方法在减少MRI采集复杂度和计算成本方面的优势。

Comments 26 pages, 5 figures, 7 tables

Unrolled Reconstruction with Integrated Super-Resolution for Accelerated 3D LGE MRI

展开重建与集成超分辨率用于加速3D晚期钆增强MRI

Md Hasibul Husain Hisham, Shireen Elhabian, Ganesh Adluru, Jason Mendes, Andrew Arai, Eugene Kholmovski, Ravi Ranjan, Edward DiBella

机构 * Kahlert School of Computing, University of Utah, Salt Lake City, UT, USA Radiology \& Imaging Sciences, University of Utah, Salt Lake City, UT, USA Cardiology, University of Utah, Salt Lake City, UT, USA 纠错

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

AI总结 本文提出一种混合展开重建框架，通过增强深度超分辨率网络提升超分辨率和数据一致性，改进3D晚期钆增强MRI的重建效果和左心房分割性能。

Latent Causal Modeling for 3D Brain MRI Counterfactuals

潜在因果建模用于3D脑MRI反事实

Wei Peng, Tian Xia, Fabio De Sousa Ribeiro, Tomas Bosschieter, Ehsan Adeli, Qingyu Zhao, Ben Glocker, Kilian M. Pohl

机构 * Stanford University（斯坦福大学） ； Weill Cornell Medicine（韦尔·科恩医学中心） ； 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

AI总结 本文提出一种两阶段方法，在潜在空间中构建结构因果模型，利用VQ-VAE学习MRI体积的紧凑嵌入，并通过闭式广义线性模型生成高质量3D脑MRI反事实。

Concept-to-Pixel: Prompt-Free Universal Medical Image Segmentation

概念到像素：无提示通用医学图像分割

Haoyun Chen, Fenghe Tang, Wenxin Ma, Shaohua Kevin Zhou

机构 * School of Biomedical Engineering, Division of Life Sciences ； Medicine, University of Science ； Technology of China (USTC), Hefei, Anhui 230026, China Center for Medical Imaging, Robotics, Analytic Computing \& Learning (MIRACLE), Suzhou Institute for Advanced Research, USTC, Suzhou, Jiangsu 215123, China Jiangsu Provincial Key Laboratory of Multimodal Digital Twin Technology, Suzhou Jiangsu, 215123, China State Key Laboratory of Precision 纠错

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

AI总结 本文提出C2P框架，通过分离解剖学知识为几何和语义表示，利用多模态大语言模型生成语义令牌，并引入几何令牌约束，实现无提示的通用医学图像分割，实验表明其在多种模态和数据集上表现优异。

Comments 32 pages, code is available at: https://github.com/Yundi218/Concept-to-Pixel

DiffVP: Differential Visual Semantic Prompting for LLM-Based CT Report Generation

DiffVP：基于LLM的CT报告生成的微分视觉语义提示

Yuhe Tian, Kun Zhang, Haoran Ma, Rui Yan, Yingtai Li, Rongsheng Wang, Shaohua Kevin Zhou

机构 * Department of Electronic Engineering ； Information Science, School of Information Science ； Technology, University of Science ； Technology of China (USTC), Hefei, Anhui 230026, China School of Biomedical Engineering, Division of Life Sciences ； Medicine, University of Science ； Technology of China (USTC), Hefei, Anhui 230026, China Center for Medical Imaging, Robotics, Analytic Computing \& Learning (MIRACLE), Suzhou Institute for Advanced Research, University of Science ； Technology of China (USTC), Suzhou, Jiangsu 215123, China Jiangsu Provincial Key Laboratory of Multimodal Digital Twin Technology, University of Science ； Technology of China (USTC), Suzhou, Jiangsu 215123, China State Key Laboratory of Precision ； Intelligent Chemistry, University of Science 纠错

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

AI总结 DiffVP通过微分视觉提示方法，利用扫描与参考之间的高阶语义差异指导LLM生成CT报告，提升报告准确性，实验表明其在BLEU和临床效果上均优于现有方法。

Volumetrically Consistent Implicit Atlas Learning via Neural Diffeomorphic Flow for Placenta MRI

通过神经微分流实现体积一致的隐式图谱学习用于胎盘MRI

Athena Taymourtash, S. Mazdak Abulnaga, Esra Abaci Turk, P. Ellen Grant, Polina Golland

机构 * MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室） ； Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院） ； Boston Children’s Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院） 纠错

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

AI总结 本文提出一种体积一致的隐式模型，结合SDF重建与神经微分流，学习胎盘的共享模板，通过体积正则化提升变形一致性，实现胎盘MRI的统一空间映射。

RadAnnotate: Large Language Models for Efficient and Reliable Radiology Report Annotation

RadAnnotate：用于高效可靠放射科报告标注的大型语言模型

Saisha Pradeep Shetty, Roger Eric Goldman, Vladimir Filkov

机构 * Department of Computer Science, University of California, Davis, CA, USA（加州大学戴维斯分校计算机科学系） ； Department of Radiology, University of California, Davis, CA, USA（加州大学戴维斯分校放射学系） 纠错

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

AI总结 本文提出RadAnnotate框架，通过检索增强合成报告和基于置信度的选择性自动化，减少放射科报告标注的人力成本，提升标注效率和可靠性。

Comments 10 pages, 3 figures. Accepted at AMIA Amplify Informatics Summit 2026

Three-Dimensional MRI Reconstruction with Gaussian Representations: Tackling the Undersampling Problem

三维MRI重建与高斯表示：解决欠采样问题

Tengya Peng, Ruyi Zha, Zhen Li, Xiaofeng Liu, Qing Zou

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

AI总结 本文提出3D高斯MRI框架，利用高斯分布重建等效分辨率的3D MRI，无需大量数据集，有效提升重建质量。

One CT Unified Model Training Framework to Rule All Scanning Protocols

一种统一的CT模型训练框架以适用于所有扫描协议

Fengzhi Xu, Ziyuan Yang, Zexin Lu, Yingyu Chen, Fenglei Fan, Hongming Shan, Yi Zhang

机构 * Sichuan University（四川大学） ； City University of Hong Kong（香港城市大学） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出UMS框架，通过不确定性引导的流形平滑方法，解决不同扫描协议下特征空间的断续问题，提升重建性能。

Super-resolution of 4D flow MRI through inverse problem explicit solving

通过逆问题显式求解实现4D血流MRI的超分辨率

Aurélien de Turenne, Rémi Cart-Lamy, Denis Kouamé

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

AI总结 本文提出基于复域逆问题显式求解的新方法，用于提升4D血流MRI的分辨率和去噪能力，无需大训练集或迭代优化，通过合成数据和物理仿真实验验证有效性。

Virtual Full-stack Scanning of Brain MRI via Imputing Any Quantised Code

通过填补任意量化代码实现脑部MRI的虚拟全栈扫描

Yicheng Wu, Tao Song, Zhonghua Wu, Jin Ye, Zongyuan Ge, Wenjia Bai, Zhaolin Chen, Jianfei Cai

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

AI总结 本文提出CodeBrain框架，通过区域级全栈代码预测解决MRI模态缺失问题，提升数据完整性和临床实用性。

Comments Accepted by CVPR 2026

Comparative Analysis of 3D Convolutional and 2.5D Slice-Conditioned U-Net Architectures for MRI Super-Resolution via Elucidated Diffusion Models

3D卷积与2.5D切片条件化U-Net架构在MRI超分辨率中的比较分析：通过阐明扩散模型

Hendrik Chiche, Ludovic Corcos, Logan Rouge

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

AI总结 本文比较了3D卷积U-Net与2.5D切片条件化U-Net架构，利用阐明扩散模型提升MRI超分辨率，3D模型在PSNR、SSIM和LPIPS指标上均优于基线模型。

CATFA-Net: A Trans-Convolutional Approach for Accurate Medical Image Segmentation

CATFA-Net：一种用于准确医学图像分割的跨卷积方法

Siddhartha Mallick, Aayushman Ghosh, Jayanta Paul, Jaya Sil

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

AI总结 CATFA-Net通过引入Context Addition Attention和Cross-Channel Attention机制，提升医学图像分割的准确性和效率，实现高效且鲁棒的二分类分割。

Comments 44 pages, 14 figures

How Do Medical MLLMs Fail? A Study on Visual Grounding in Medical Images

医学 MLLMs 如何失效？对医学图像中视觉语义关联的探讨

Guimeng Liu, Tianze Yu, Somayeh Ebrahimkhani, Lin Zhi Zheng Shawn, Kok Pin Ng, Ngai-Man Cheung

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

AI总结 本文研究了医学 MLLMs 在视觉关联上的不足，通过设计 VGMED 数据集和 VGRefine 方法，验证了其在医学图像任务中的性能瓶颈。

Comments Published as a conference paper at ICLR 2026

Toward Clinically Ready Foundation Models in Medical Image Analysis: Adaptation Mechanisms and Deployment Trade-offs

迈向医学影像分析中临床可用的基础模型：适应机制与部署权衡

Karma Phuntsho, Abdullah, Kyungmi Lee, Ickjai Lee, Euijoon Ahn

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

AI总结 本文探讨了医学影像分析中基础模型的适应机制与部署权衡，分析了不同适应策略对临床鲁棒性、校准和监管可行性的影响，为设计符合临床需求的基础模型系统提供指导。

Bootstrapped Physically-Primed Neural Networks for Robust T2 Distribution Estimation in Low-SNR Pancreatic MRI

基于Bootstrap的物理优先神经网络用于低信噪比胰腺MRI中鲁棒T2分布估计

Hadas Ben Atya, Nicole Abramenkov, Noa Mashiah, Luise Brock, Daphna Link Sourani, Ram Weiss, Moti Freiman

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

AI总结 本文提出一种基于Bootstrap的神经网络框架，用于在低信噪比胰腺MRI中鲁棒估计T2分布，通过随机重采样和多子集聚合预测，提升物理一致性与噪声鲁棒性。

Average Calibration Losses for Reliable Uncertainty in Medical Image Segmentation

医学图像分割中可靠不确定性的平均校准损失

Theodore Barfoot, Luis C. Garcia-Peraza-Herrera, Samet Akcay, Ben Glocker, Tom Vercauteren

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

AI总结 本文提出基于mL1-ACE的可微校准损失，通过硬/软分箱方法提升像素校准，实验显示其能有效降低校准误差并保持高Dice相似系数，同时引入数据集可靠性直方图分析校准与真实准确性的对齐。

Comments 15 pages, 6 figures, IEEE TMI submission. This version originally appeared in error as arXiv:2403.06759(v2)

CT-Conditioned Diffusion Prior with Physics-Constrained Sampling for PET Super-Resolution

带有物理约束采样的CT条件扩散先验用于PET超分辨率

Liutao Yang, Zi Wang, Peiyuan Jing, Xiaowen Wang, Javier A. Montoya-Zegarra, Kuangyu Shi, Daoqiang Zhang, Guang Yang

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

AI总结 本文提出一种CT条件扩散框架，结合物理约束采样，解决PET超分辨率因缺乏配对多分辨率扫描数据而受限的问题，提升图像质量和临床相关性。