医学 AI

Opportunistic Cardiac Health Assessment: Estimating Phenotypes from Localizer MRI through Multi-Modal Representations

机会性心脏健康评估：通过多模态表示从局部定位MRI估计表型

Busra Nur Zeybek, Özgün Turgut, Yundi Zhang, Jiazhen Pan, Robert Graf, Sophie Starck, Daniel Rueckert, Sevgi Gokce Kafali

机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital（人工智能在医疗与健康中的研究所，慕尼黑技术大学（TUM）和TUM大学医院） ； Department of Diagnostic and Interventional Neuroradiology, School of Medicine, TUM University Hospital（诊断与介入神经放射科，医学院，TUM大学医院） ； Department of Computing, Imperial College London（计算学院，伦敦帝国学院） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心（MCML），德国） 纠错

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

AI总结 本文提出C-TRIP框架，通过融合局部定位MRI、ECG和表格数据，利用低成本信息预测心脏表型，提升心脏健康评估的可及性。

SAIF: A Stability-Aware Inference Framework for Medical Image Segmentation with Segment Anything Model

SAIF：一种面向医学图像分割的稳定性感知推理框架（基于Segment Anything模型）

Ke Wu, Shiqi Chen, Yiheng Zhong, Hengxian Liu, Yingxue Su, Yifang Wang, Junhao Jin, Guangyu Ren

机构 * Xi'an Jiaotong-Liverpool University, Suzhou, China（西安交通大学利物浦大学，中国苏州） ； University College London, London, United Kingdom（伦敦大学学院，英国伦敦） ； Anhui Jianzhu University, Hefei, China（安徽建筑大学，中国合肥） 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SAIF框架，通过建模提示和阈值不确定性提升医学图像分割的鲁棒性，实验表明其在多个数据集上均取得最优性能。

Comments 11 pages, 3 figures

Disentangling Prompt Dependence to Evaluate Segmentation Reliability in Gynecological MRI

解构提示依赖性以评估妇科MRI的分割可靠性

Elodie Germani, Krystel Nyangoh-Timoh, Pierre Jannin, John S H Baxter

机构 * Laboratoire Traitement du Signal et de l’Image (LTSI, INSERM UMR 1099), Université de Rennes, Rennes, France（信号与图像处理实验室（LTSI，INSERM UMR 1099），雷恩大学，法国雷恩） ； Centre Hospitalier Universitaire de Rennes (CHU Rennes), Rennes, France（雷恩大学医院（CHU Rennes），法国雷恩） 纠错

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

AI总结 本文通过分析分割模型对提示变化的敏感性，提出评估提示依赖性的新方法，揭示分割鲁棒性与性能的负相关关系。

OraPO: Oracle-educated Reinforcement Learning for Data-efficient and Factual Radiology Report Generation

OraPO：基于 oracle 的强化学习用于数据高效且事实准确的放射科报告生成

Zhuoxiao Chen, Hongyang Yu, Ying Xu, Yadan Luo, Long Duong, Yuan-Fang Li

机构 * Oracle Health & AI（Oracle健康与人工智能） 纠错

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

AI总结 OraPO 通过 FactScore 奖励机制提升放射科报告生成效率，在受限预算下实现 SOTA 性能，使用小规模 VLM 和适度硬件，在 CheXpert Plus 数据集上取得 0.341 的 F1 分数。

Comments Accepted to CVPR 2026

Decoding Matters: Efficient Mamba-Based Decoder with Distribution-Aware Deep Supervision for Medical Image Segmentation

解码至关重要：基于Mamba的高效解码器与分布感知深度监督用于医学图像分割

Fares Bougourzi, Fadi Dornaika, Abdenour Hadid

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

AI总结 本文提出基于解码器的通用2D医学图像分割方法，通过改进的解码器结构和分布感知损失提升多尺度上下文表示，实现高效且通用的医学图像分割。

PCA-Enhanced Probabilistic U-Net for Effective Ambiguous Medical Image Segmentation

PCA增强的概率U-Net用于有效的模糊医学图像分割

Xiangyu Li, Chenglin Wang, Qiantong Shen, Fanding Li, Wei Wang, Kuanquan Wang, Yi Shen, Baochun Zhao, Gongning Luo

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

AI总结 本文提出PCA增强的概率U-Net，通过降维和逆PCA操作提升医学图像分割的准确性和变异性，解决传统方法在高维潜在空间冗余和表达能力限制的问题。

SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation

SPEGC：通过语义提示增强图聚类实现持续测试时间适应用于医学图像分割

Xiaogang Du, Jiawei Zhang, Tongfei Liu, Tao Lei, Yingbo Wang

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

AI总结 SPEGC通过语义提示增强图聚类方法，提升医学图像分割中持续测试时间适应的鲁棒性和性能。

Comments Accepted to CVPR 2026. 16 pages, 7 figures

UltrasoundAgents: Hierarchical Multi-Agent Evidence-Chain Reasoning for Breast Ultrasound Diagnosis

超声波智能体：用于乳腺超声诊断的层次多智能体证据链推理

Yali Zhu, Kang Zhou, Dingbang Wu, Gaofeng Meng

机构 * Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所，北京，中国） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学（大学层面）交叉学科学院，北京，中国） ； Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences, Hong Kong（人工智能与机器人中心，香港创新科学研究院，中国科学院，香港） 纠错

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

AI总结 UltrasoundAgents通过层次多智能体框架实现乳腺超声诊断中的证据链推理，提升诊断准确性和证据可追溯性。

Prompting with the human-touch: evaluating model-sensitivity of foundation models for musculoskeletal CT segmentation

带有人情味的提示：评估基础模型对肌肉骨骼CT分割的敏感性

Caroline Magg, Maaike A. ter Wee, Johannes G. G. Dobbe, Geert J. Streekstra, Leendert Blankevoort, Clara I. Sánchez, Hoel Kervadec

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

AI总结 本研究评估了基础模型在肌肉骨骼CT分割中的敏感性，发现不同模型和提示策略性能差异大，且人类提示影响分割结果。

Visually-Guided Controllable Medical Image Generation via Fine-Grained Semantic Disentanglement

通过细粒度语义解耦实现视觉引导的可控医学图像生成

Xin Huang, Junjie Liang, Qingshan Hou, Peng Cao, Jinzhu Yang, Xiaoli Liu, Osmar R. Zaiane

机构 * Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程系，中国沈阳） ； Key Laboratory of Intelligent Computing in Medical Image of Ministry of Education, Northeastern University, Shenyang, China（教育部医学图像智能计算重点实验室，东北大学，中国沈阳） ； National Frontiers Science Center for Industrial Intelligence and Systems Optimization, Shenyang, China（工业智能与系统优化国家级前沿科学中心，中国沈阳） ； AiShiWeiLai AI Research, China（艾世维来人工智能研究，中国） ； Amii, University of Alberta, Edmonton, Alberta, Canada（阿尔伯塔大学艾米人工智能研究所，加拿大埃德蒙顿，阿尔伯塔） 纠错

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

AI总结 本文提出视觉引导的文本解耦框架，通过细粒度语义解耦提升医学图像生成的可控性和生成质量。

Comments 10 pages, 7 figures. Currently under review

An Automated Radiomics Framework for Postoperative Survival Prediction in Colorectal Liver Metastases using Preoperative MRI

一种用于结直肠肝转移术后生存预测的自动化放射组学框架，利用术前MRI

Muhammad Alberb, Jianan Chen, Hossam El-rewaidy, Paul Karanicolas, Arun Seth, Yutaka Amemiya, Anne Martel, Helen Cheung

机构 * Department of Medical Biophysics, University of Toronto（多伦多大学医学生物物理学系） ； Physical Sciences Platform, Sunnybrook Research Institute（阳光医疗研究学院物理科学平台） ； UCL Cancer Institute, University College London（伦敦大学学院癌症研究所） ； Systems and Biomedical Engineering Department, Cairo University（开罗大学系统与生物医学工程系） ； Department of Surgery, University of Toronto（多伦多大学外科医学系） ； Department of Laboratory Medicine and Pathobiology, University of Toronto（多伦多大学实验室医学与病理学系） ； Sunnybrook Health Sciences Centre（阳光健康科学中心） ； Department of Medical Imaging, University of Toronto（多伦多大学医学影像学系） 纠错

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

AI总结 本研究提出了一种基于AI的自动化框架，利用术前MRI预测结直肠肝转移术后生存，结合分割算法和放射组学分析提高预测准确性。

DCAU-Net: Differential Cross Attention and Channel-Spatial Feature Fusion for Medical Image Segmentation

DCAU-Net：差分交叉注意力与通道-空间特征融合用于医学图像分割

Yanxin Li, Hui Wan, Libin Lan

机构 * Scientific Research Foundation of Chongqing University of Technology（重庆理工大学科学技术研究院） ； Youth Project of Science and Technology Research Program of Chongqing Education Commission of China（重庆市教育委员会科学技术研究青年项目） 纠错

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

AI总结 DCAU-Net通过差分交叉注意力和通道-空间特征融合提升医学图像分割的精度和鲁棒性。

Comments Submitted to IJCNN 2026, 6 pages, 5 tables, 4 figures

VesselFusion: Diffusion Models for Vessel Centerline Extraction from 3D CT Images

VesselFusion：基于扩散模型的3D CT图像血管中心线提取

Soichi Mita, Shumpei Takezaki, Ryoma Bise

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

AI总结 VesselFusion通过扩散模型实现3D CT图像中血管中心线的提取，采用粗到细表示和投票聚合方法，提升提取精度和结果自然度。

Mix-modal Federated Learning for MRI Image Segmentation

多模态联邦学习用于磁共振成像图像分割

Guyue Hu, Siyuan Song, Jingpeng Sun, Zhe Jin, Chenglong Li, Jin Tang

机构 * School of Artificial Intelligence（人工智能学院） ； School of Computer Science and Technology（计算机科学与技术学院） ； State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology（光电信息采集与防护技术国家重点实验室） ； Anhui Provincial Key Laboratory of Security Artificial Intelligence（安徽省安全人工智能重点实验室） ； Anhui Provincial Key Laboratory of Multimodal Cognitive Computation（安徽省多模态认知计算重点实验室） 纠错

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

AI总结 本文提出了一种多模态联邦学习框架，用于解决MRI图像分割中的模态异质性和数据异质性问题。

Unified and Semantically Grounded Domain Adaptation for Medical Image Segmentation

统一且语义导向的领域适应用于医学图像分割

Xin Wang, Yin Guo, Jiamin Xia, Kaiyu Zhang, Niranjan Balu, Mahmud Mossa-Basha, Linda Shapiro, Chun Yuan

机构 * Department of Electrical and Computer Engineering, University of Washington（电气与计算机工程系，华盛顿大学） ； Department of Bioengineering, University of Washington（生物工程系，华盛顿大学） ； Department of Radiology, University of Washington（放射学系，华盛顿大学） ； Department of Electrical and Computer Engineering and Paul G. Allen School of Computer Science and Engineering, University of Washington（电气与计算机工程系及保罗·G·阿伦计算机科学与工程学院，华盛顿大学） ； Department of Radiology and Imaging Sciences, University of Utah（放射学与影像科学系，犹他大学） 纠错

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

AI总结 本文提出统一且语义导向的领域适应框架，通过学习领域无关的概率流形实现医学图像分割的跨领域适应，实验显示在源可访问和源自由设置中均取得最佳性能。

Comments Accepted by IEEE Transactions on Medical Imaging

Virtual Intraoperative CT (viCT): Sequential Anatomic Updates for Modeling Tissue Resection Throughout Endoscopic Sinus Surgery

虚拟术中CT（viCT）：用于内窥镜鼻窦手术中逐步更新解剖结构的建模方法

Nicole M. Gunderson, Graham J. Harris, Jeremy S. Ruthberg, Pengcheng Chen, Di Mao, Randall A. Bly, Waleed M. Abuzeid, Eric J. Seibel

机构 * Department of Otolaryngology–Head and Neck Surgery, University of Washington（耳鼻喉科-头颈外科系，华盛顿大学） 纠错

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

AI总结 viCT通过术中内窥镜视频生成3D重建，实现内窥镜鼻窦手术中解剖结构的逐步更新，提升术中可视化精度。

HARP: HARmonizing in-vivo diffusion MRI using Phantom-only training

HARP: 仅使用假体数据进行体内扩散磁共振成像的协调

Hwihun Jeong, Qiang Liu, Kathryn E. Keenan, Elisabeth A. Wilde, Walter Schneider, Sudhir Pathak, Anthony Zuccolotto, Lauren J. O'Donnell, Lipeng Ning, Yogesh Rathi

机构 * Department of Psychiatry（精神医学系） ； Brigham and Women's Hospital（布里奇沃特医院） ； Harvard Medical School（哈佛医学院） ； College of Engineering（工程学院） ； Northeastern University（东北大学） ； National Institute of Standards and Technology（国家标准技术研究院） ； University of Utah School of Medicine（犹他大学医学院） ； George E. Wahlen Veterans Affairs Medical Center（乔治·E·瓦伦的退伍军人事务医疗中心） ； University of Pittsburgh（匹兹堡大学） ； Department of Radiology（放射医学系） ； Harvard-MIT Health Sciences and Technology（哈佛-麻省理工健康科学与技术） 纠错

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

AI总结 HARP通过仅使用假体数据训练深度学习模型，实现了无需多站点活体数据的扩散磁共振成像协调，有效降低了扫描仪间变异性。

Unified Medical Image Segmentation with State Space Modeling Snake

基于状态空间建模的统一医学图像分割蛇

Ruicheng Zhang, Haowei Guo, Kanghui Tian, Jun Zhou, Mingliang Yan, Zeyu Zhang, Shen Zhao

机构 * Sun Yat-sen University（中山大学） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； The Australian National University（澳大利亚国立大学） 纠错

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

AI总结 基于状态空间建模的Mamba Snake框架通过改进的蛇模型实现统一医学图像分割，有效处理多尺度结构异质性，提升分割精度。

Comments This paper has been accepted by ACM MM 2025

Journal ref Proceedings of the 33rd ACM International Conference on Multimedia (ACM MM 2025), Pages 7825-7834

Deep Unrolled Meta-Learning for Multi-Coil and Multi-Modality MRI with Adaptive Optimization

深度展开的元学习用于多线圈和多模态MRI的自适应优化

Merham Fouladvand, Peuroly Batra

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

AI总结 本文提出了一种深度展开的元学习框架，用于多线圈和多模态MRI的自适应优化，通过结合优化算法与元学习提升重建性能。

Deep Learning-Based Approach for Automatic 2D and 3D MRI Segmentation of Gliomas

基于深度学习的自动2D和3D脑瘤MRI分割方法

Kiranmayee Janardhan, Christy Bobby T

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

AI总结 本文提出基于深度学习的全自动2D和3D脑瘤MRI分割方法，利用UNET、Inception和ResNet模型，在BraTS数据集上实现高精度分割，ResNet模型在3D分割中达到98.91%的准确率。

Comments 20 pages, 11 figures, journal paper

Journal ref Nanotechnology Perceptions, 2024

Shifting Adaptation from Weight Space to Memory Space: A Memory-Augmented Agent for Medical Image Segmentation

从权重空间到记忆空间的迁移适应：一种用于医学图像分割的记忆增强代理

Bowen Chen, Qiaohui Gao, Shaowen Wan, Shanhui Sun, Wei Liu, Xiang Li, Tianming Liu, Lin Zhao

机构 * Department of Electrical and Computer Engineering, University of California, Santa Barbara, Santa Barbara, CA 93106, USA（电子工程系，加州大学圣芭芭拉分校） ； College of Engineering, Northeastern University, Boston, MA 02115, USA（工程学院，东北大学） ； Department of Biomedical Engineering, New Jersey Institute of Technology, Newark, NJ 07102, USA（生物医学工程系，新泽西理工学院） ； United Imaging Intelligence, Burlington, MA 01803, USA（联合影像智能公司） ； Department of Radiation Oncology, Mayo Clinic, Scottsdale, AZ 85259, USA（放射肿瘤科，梅奥诊所） ； Department of Radiology, Massachusetts General Hospital and Harvard Medical School, Boston, MA 02115, USA（放射科，麻省总医院和哈佛医学院） ； School of Computing, University of Georgia, Athens, GA 30602, USA（计算学院，佐治亚大学） 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MemSeg-Agent，通过将适应从权重空间转移到记忆空间，实现少样本学习、联邦监督学习和测试时间适应，提升医学图像分割的泛化能力和效率。

Limited-Angle CT Reconstruction Using Multi-Volume Latent Consistency Model

有限角度CT重建使用多体积潜在一致性模型

Hinako Isogai, Naruki Murahashi, Mitsuhiro Nakamura, Megumi Nakao

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

AI总结 本研究提出多体积潜在扩散模型，用于有限角度CT重建，实现高精度图像生成和不同成像条件下的稳定性能。

Exploiting Intermediate Reconstructions in Optical Coherence Tomography for Test-Time Adaption of Medical Image Segmentation

利用光学相干断层扫描中的中间重建以实现医疗图像分割的测试时间适应

Thomas Pinetz, Veit Hucke, Hrvoje Bogunovic

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

AI总结 本文提出IRTTA方法，利用光学相干断层扫描中的中间重建信息，在测试时间适应医疗图像分割，提升分割性能并实现语义不确定性估计。

Comments Accepted at MIDL 2026

TumorFlow: Physics-Guided Longitudinal MRI Synthesis of Glioblastoma Growth

TumorFlow: 基于物理的纵向MRI合成胶质瘤生长

Valentin Biller, Niklas Bubeck, Lucas Zimmer, Ayhan Can Erdur, Sandeep Nagar, Anke Meyer-Baese, Daniel Rückert, Benedikt Wiestler, Jonas Weidner

机构 * Technical University of Munich (TUM), Germany（慕尼黑技术大学（TUM）） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； AI for Image-Guided Diagnosis and Therapy（图像引导诊断与治疗的AI） ； Chair for AI in Healthcare and Medicine, TUM and TUM University Hospital, Munich, Germany（医疗与医学中的AI主任，慕尼黑技术大学及慕尼黑大学医院） 纠错

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

AI总结 TumorFlow通过结合生物物理模型和生成模型，实现胶质瘤纵向MRI的合成，提供可解释的肿瘤生长估计和可控的合成数据生成。

Rethinking the Efficiency and Effectiveness of Reinforcement Learning for Radiology Report Generation

重新思考强化学习在放射学报告生成中的效率和有效性

Zilin Lu, Ruifeng Yuan, Weiwei Cao, Wanxing Chang, Zhongyu Wei, Sinuo Wang, Yong Xia, Ling Zhang, Jianpeng Zhang

机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Ningbo No.2 Hospital（宁波第二医院） ； Zhejiang University（浙江大学） ； Hupan Lab（华研实验室） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出DiTPO方法，通过优化诊断F1分数提升放射学报告生成的临床准确性，实现更高效的数据利用和更优的性能表现。

ReCo-Diff: Residual-Conditioned Deterministic Sampling for Cold Diffusion in Sparse-View CT

ReCo-Diff：基于残差的确定性采样用于稀疏视角CT中的冷扩散

Yong Eun Choi, Hyoung Suk Park, Kiwan Jeon, Hyun-Cheol Park, Sung Ho Kang

机构 * National Institute for Mathematical Sciences, Daejeon, 34047, Republic of Korea（韩国全南数学研究所） ； Department of Computer Engineering, Korea National University of Transportation, Chungju, 27469, Republic of Korea（韩国交通国立大学计算机工程系） 纠错

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

AI总结 ReCo-Diff通过残差条件化的确定性采样提升稀疏视角CT重建的精度与稳定性。

Comments 10 pages, 4 figures. Submitted to MICCAI 2026

3D Modality-Aware Pre-training for Vision-Language Model in MRI Multi-organ Abnormality Detection

面向MRI多器官异常检测的3D模态感知预训练

Haowen Zhu, Ning Yin, Xiaogen Zhou

机构 * School of Electronic, Electrical Engineering and Physics, Fujian University of Technology（福建工程学院电子电气工程学院） ； School of Computer Science and Engineering, Southeast University, China（东南大学计算机科学与工程学院） ； Department of Medical Imaging, Suzhou Traditional Chinese Medicine Hospital, China（苏州中医医院影像科） 纠错

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

AI总结 本文提出MedMAP框架，通过3D MRI的模态感知预训练提升多器官异常检测性能，实验表明其优于现有视觉-语言模型。

End-to-End Differentiable Photon Counting CT

端到端可微的光子计数CT

Sen Wang, Yirong Yang, Jooho Lee, Grant M. Stevens, Adam S. Wang

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

AI总结 本文提出端到端可微的光子计数CT框架，通过可微材料分解实现跨域学习和优化，提升定量成像性能。

Zero-shot Low-Field MRI Enhancement via Diffusion-Based Adaptive Contrast Transport

零场MRI增强通过扩散基于自适应对比传输

Muyu Liu, Chenhe Du, Xuanyu Tian, Qing Wu, Xiao Wang, Haonan Zhang, Hongjiang Wei, Yuyao Zhang

机构 * School of Information Science and Technology, ShanghaiTech University, Shanghai, China（信息科学与技术学院，上海科技大学） ； School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai, China（生物医学工程学院，上海交通大学） 纠错

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

AI总结 本文提出DACT框架，通过扩散模型和自适应对比传输技术，在无配对监督的情况下实现低场MRI到高场MRI的高质量图像重建，提升组织对比和结构细节。

Comments 11 pages, 4 figures, conference paper

OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis

OmniCT：迈向统一的切片-体积LVLM以实现全面的CT分析

Tianwei Lin, Zhongwei Qiu, Wenqiao Zhang, Jiang Liu, Yihan Xie, Mingjian Gao, Zhenxuan Fan, Zhaocheng Li, Sijing Li, Zhongle Xie, Peng LU, Yueting Zhuang, Ling Zhang, Beng Chin Ooi, Yingda Xia

机构 * Zhejiang University（浙江大学） ； DAMO Academy, Alibaba Group（阿里云学术院） ； Hupan Lab（虎派实验室） 纠错

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

AI总结 OmniCT提出了一种统一的切片-体积LVLM，通过空间一致性增强、器官级语义增强和MedEval-CT数据集，实现了全面的CT分析。