医学 AI

Shared Semantic Codebook Distillation for Unpaired Cross-Modal Medical Classification

用于非配对跨模态医学分类的共享语义码本蒸馏

Dillan Imans, Phuoc-Nguyen Bui, Duc-Tai Le, Hyunseung Choo

机构 * Sungkyunkwan University（成均馆大学） ； Convergence Research Institute, Sungkyunkwan University（成均馆大学融合研究院） 纠错

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

AI总结 针对非配对跨模态医学分类的挑战，提出SSCD方法，通过共享语义码本转移知识，在两个医学分类任务中提升学生模型性能，优于各基线方法

Comments 16 pages, 2 figures, 4 tables

BCNet: Bronchus Classification via Structure Guided Representation Learning

BCNet：基于结构引导表征学习的支气管分类

Wenhao Huang, Haifan Gong, Huan Zhang, Yu Wang, Xiang Wan, Haofeng Li, Guanbin Li, Hong Shen

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

AI总结 该研究针对自动支气管分类的个体拓扑差异挑战，提出结构引导的BCNet框架，在BronAtlas基准上F1分数超现有最优方法8%以上，还发布了支气管成像分析开放基准BronAtlas。

Comments The benchmark is available at https://osf.io/pskr9/?viewonly=94fa3d87274b4095ac9a4b88cc9a1341

Dual-attention ResNet outperforms transformers in HER2 prediction on DCE-MRI

双注意力ResNet在DCE-MRI上的HER2预测中优于Transformer

Naomi Fridman, Anat Goldstein

机构 * Department of Industrial Engineering, Ariel University（工业工程系，阿维尼昂大学） 纠错

专题命中 医学影像 ：MRI(title,abstract)；分类 q-bio

AI总结 双注意力ResNet在DCE-MRI上实现HER2预测的高准确率和AUC，优于Transformer架构，展示了跨机构的泛化能力。

Journal ref Bioengineering 13, 788 (2026)

An Interpretable Deep Learning Framework for Discovery and Clinical Validation of Deep Radiomic Signatures in Tumor Classification

用于深度影像组学特征在肿瘤分类中发现与临床验证的可解释深度学习框架

Chengkun Sun, Jinqian Pan, Renjie Liang, Zhengkang Fan, Xin Miao, Yi Guo, Mei Liu, Muxuan Liang, Russell Terry, Jie Xu

机构 * Department of Health Outcomes and Biomedical Informatics, University of Florida（健康结果与生物医学信息学系，佛罗里达大学） ； Tiktok ； Department of Biostatistics, MD Anderson Cancer Center（生物统计学系，MD安德森癌症中心） ； Department of Urology, University of Florida（泌尿科，佛罗里达大学） 纠错

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

AI总结 针对深度学习影像特征可解释性差阻碍临床落地的问题，该框架融合分割、可解释分类与影像组学分析，多数据集验证可提升肿瘤分类性能与生物可解释性。

ProMUSE: Progressive Multi-modal Uncertainty-guided Staged Evidential Alzheimer Disease Classification

ProMUSE: 渐进式多模态不确定性引导的分阶段证据阿尔茨海默病分类

Long Doan, Branden Chen, Ethan Litton, Huan Huang, Jiajing Huang, Yixin Xie, Weihua Zhou, Nandakumar Narayanan, Chen Zhao

机构 * Kennesaw State University（肯尼索州立大学） ； Michigan Technological University（密歇根理工大学） ； University of Iowa（爱荷华大学） 纠错

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

AI总结 提出ProMUSE，一种渐进式多模态不确定性引导的分阶段证据网络，通过自适应决定何时需要额外模态，在保持准确性的同时降低数据采集成本。

Interpretable and Frugal Learning Systems Employing Multiresolution Pyramids and Volterra Kernels

可解释且节俭的学习系统：采用多分辨率金字塔和Volterra核

Kishore Kumar Tarafdar

专题命中 医学影像 ：MRI(abstract,abstract_cn)；medical image(abstract)；分类 eess.IV、eess.SP

AI总结 提出基于信号理论的可解释学习系统，结合多分辨率分析、Volterra核和可微算子模块，用于逆建模、分类和分割任务，在微波辐射计反演、图像分割等应用中验证有效性。

Comments PhD Thesis Preprint

Adaptable Segmentation Pipeline for Diverse Brain Tumors with Radiomic-Guided Subtyping and Lesion-Wise Model Ensemble

适用于多样化脑肿瘤的自适应分割流程：放射组学引导的亚型分类与病灶级模型集成

Daniel Capellán-Martín, Abhijeet Parida, Zhifan Jiang, Nishad Kulkarni, Krithika Iyer, Austin Tapp, Syed Muhammad Anwar, María J. Ledesma-Carbayo, Marius George Linguraru

机构 * Sheikh Zayed Institute for Pediatric Surgical Innovation（Sheikh Zayed儿童外科创新研究所） ； Children’s National Hospital（儿童医院） ； University of Washington（华盛顿大学） ； Universidad Politécnica de Madrid（马德里理工大学） ； CIBER-BBN ； ISCIII ； School of Medicine and Health Sciences（医学与健康科学学院） 纠错

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

AI总结 提出一种灵活模块化的自适应分割流程，通过放射组学特征检测肿瘤亚型并平衡训练，结合病灶级性能指标优化模型集成与后处理，在BraTS 2025挑战赛中达到顶尖性能，支持临床定量肿瘤测量。

Comments 12 pages, 5 figures, 3 tables. Algorithm presented at MICCAI BraTS 2025

The Brain Tumor Segmentation (BraTS) Challenge 2023: Glioma Segmentation in Sub-Saharan Africa Patient Population (BraTS-Africa)

2023年脑肿瘤分割（BraTS）挑战：撒哈拉以南非洲患者群体的胶质瘤分割（BraTS-Africa）

Maruf Adewole, Jeffrey D. Rudie, Anu Gbadamosi, Oluyemisi Toyobo, Confidence Raymond, Dong Zhang, Olubukola Omidiji, Rachel Akinola, Mohammad Abba Suwaid, Adaobi Emegoakor, Nancy Ojo, Kenneth Aguh, Chinasa Kalaiwo, Gabriel Babatunde, Afolabi Ogunleye, Yewande Gbadamosi, Kator Iorpagher, Evan Calabrese, Mariam Aboian, Marius Linguraru, Jake Albrecht, Benedikt Wiestler, Florian Kofler, Anastasia Janas, Dominic LaBella, Anahita Fathi Kzerooni, Hongwei Bran Li, Juan Eugenio Iglesias, Keyvan Farahani, James Eddy, Timothy Bergquist, Verena Chung, Russell Takeshi Shinohara, Walter Wiggins, Zachary Reitman, Chunhao Wang, Xinyang Liu, Zhifan Jiang, Ariana Familiar, Koen Van Leemput, Christina Bukas, Maire Piraud, Gian-Marco Conte, Elaine Johansson, Zeke Meier, Bjoern H Menze, Ujjwal Baid, Spyridon Bakas, Farouk Dako, Abiodun Fatade, Udunna C Anazodo

机构 * Medical Artificial Intelligence Laboratory (MAI Lab)（医学人工智能实验室（MAI实验室）） ； Department of Radiation Biology, Radiotherapy and Radiodiagnosis, University of Lagos（拉各斯大学放射生物学、放射治疗与放射诊断系） ； Department of Radiology, University of California, San Diego（加州大学圣地亚哥分校放射科） ； Crestview Radiology Limited（Crestview放射科有限公司） ； Lagos University Teaching Hospital（拉各斯大学教学医院） ； Lagos State University Teaching Hospital, Ikeja, Lagos, Nigeria（拉各斯州大学教学医院，伊凯贾，拉各斯，尼日利亚） ； NSIA-Kano Diagnostic Center, Kano Nigeria（NSIA-卡诺诊断中心，卡诺，尼日利亚） ； Nnamdi Azikiwe University Teaching Hospital, Nnewi, Anambra State, Nigeria（恩内迪·阿齐基韦大学教学医院，恩韦伊，安纳博拉州，尼日利亚） ； Federal Medical Centre, Abeokuta, Ogun State, Nigeria（阿博库塔联邦医疗中心，奥贡州，尼日利亚） ； Federal Medical Centre, Umahia, Abia State, Nigeria（乌马希亚联邦医疗中心，阿比亚州，尼日利亚） ； National Hospital Abuja, FCT, Nigeria（阿布贾国家医院，联邦首都区，尼日利亚） ； Benue State University Teaching Hospital, Markurdi, Benue State, Nigeria（贝努埃州大学教学医院，马库尔迪，贝努埃州，尼日利亚） ； Duke University Medical Center, Department of Radiology, USA（达特茅斯大学医学中心，放射科，美国） ； University of California San Francisco, CA, USA（加州大学旧金山分校，CA，美国） ； Yale University, New Haven, CT, USA（耶鲁大学，新 Haven，CT，美国） ； Children's National Hospital, Washington DC, USA（儿童医院华盛顿特区，华盛顿特区，美国） ； George Washington University, Washington DC, USA（乔治·华盛顿大学，华盛顿特区，美国） ； Sage Bionetworks, USA（Sage生物网络，美国） ； Department of Neuroradiology, Technical University of Munich, Munich, Germany（慕尼黑技术大学神经放射科系，慕尼黑，德国） ； Helmholtz Research Center, Munich, Germany（海德堡研究中心，慕尼黑，德国） ； Duke University Medical Center, Department of Radiation Oncology, USA（达特茅斯大学医学中心，放射肿瘤科，美国） ； Children’s Hospital of Philadelphia, University of Pennsylvania, Philadelphia, PA, USA（费城儿童医院，宾夕法尼亚大学，费城，PA，美国） ； Center for AI and Data Science for Integrated Diagnostics (AI2D) & Center for Biomedical Image Computing and Analytics (CBICA), University of Pennsylvania, Philadelphia, PA, USA（人工智能与数据科学整合诊断中心（AI2D）及生物医学影像计算与分析中心（CBICA），宾夕法尼亚大学，费城，PA，美国） ； Athinoula A Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Boston, MA, USA（Athinoula A Martinos生物医学影像中心，马萨诸塞总医院，波士顿，MA，美国） ； University of Zurich, Switzerland（苏黎世大学，瑞士） ； Cancer Imaging Program, National Cancer Institute, National Institutes of Health, Bethesda, MD 20814, USA（癌症成像计划，国家癌症研究所，国家卫生研究院，贝塞斯达，MD 20814，美国） ； Center for Clinical Epidemiology and Biostatistics, University of Pennsylvania, Philadelphia, USA（临床流行病学与生物统计学中心，宾夕法尼亚大学，费城，美国） ； Department of Applied Mathematics and Computer Science, Technical University of Denmark, Denmark（应用数学与计算机科学系，丹麦技术大学，丹麦） ； Mayo Clinic, MN, USA（梅奥诊所，MN，美国） ； Precision FDA, U.S. Food and Drug Administration, Silver Spring, MD, USA（Precision FDA，美国食品药品监督管理局，Silver Spring，MD，美国） ； Booz Allen Hamilton, McLean, VA, USA（Booz Allen Hamilton，麦肯，VA，美国） ； Department of Radiology, Perelman School of Medicine, University of Pennsylvania, Philadelphia, PA, USA（放射科，佩尔曼医学院，宾夕法尼亚大学，费城，PA，美国） ； Department of Pathology and Laboratory Medicine, Perelman School of Medicine, University of Pennsylvania, Philadelphia, PA, USA（病理学与实验室医学系，佩尔曼医学院，宾夕法尼亚大学，费城，PA，美国） ； Center for Global Health, Perelman School of Medicine, University of Pennsylvania, Philadelphia, Pennsylvania, USA（全球健康中心，佩尔曼医学院，宾夕法尼亚大学，费城，宾夕法尼亚，美国） ； Montreal Neurological Institute, McGill University, Montreal, Canada（蒙特利尔神经科学研究所，麦吉尔大学，蒙特利尔，加拿大） ； Department of Medicine, University of Cape Town, South Africa（医学系，开普敦大学，南非） ； Department of Radiation Medicine, University of Cape Town, South Africa（放射医学系，开普敦大学，南非） 纠错

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

AI总结 研究探讨了在资源有限的撒哈拉以南非洲地区，利用先进机器学习方法进行胶质瘤分割的可行性，旨在改进该地区胶质瘤的诊断和治疗。

Comments arXiv admin note: text overlap with arXiv:2107.02314

CSV-ViT: A Vision Transformer with the Variable-sized Cortical Supervertices for Detection of Alzheimer's Disease Pathologies

CSV-ViT: 一种使用可变大小皮层超顶点的视觉Transformer用于阿尔茨海默病病理检测

Geonwoo Baek, Ikbeom Jang

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Hankuk University of Foreign Studies（韩国家 foreign 学院） 纠错

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

AI总结 提出一种保留感兴趣区域的、基于顶点的可变大小皮层表面分块方法（皮层超顶点），并设计可变大小补丁兼容的视觉Transformer（CSV-ViT），在阿尔茨海默病诊断、淀粉样蛋白阳性和tau蛋白阳性三分类任务中优于现有表面模型。

Revisiting Integration of Image and Metadata for DICOM Series Classification: Cross-Attention and Dictionary Learning

重新审视图像与元数据整合用于DICOM系列分类：交叉注意力与字典学习

Tuan Truong, Melanie Dohmen, Sara Lorio, Matthias Lenga

机构 * Bayer AG（勃林格殷曼公司） 纠错

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

AI总结 本文提出了一种端到端的多模态框架，用于DICOM系列分类，通过联合建模图像内容和获取元数据，显式考虑异质切片内容、可变系列长度和完全缺失、不完整或不一致的DICOM元数据等挑战。

Comments Early acceptance at MICCAI 2026

Bridging visual saliency and large language models for explainable deep learning in medical imaging

弥合视觉显著性与大语言模型以实现医学影像中可解释的深度学习

Paul Valery Nguezet, Elie Tagne Fute, Yusuf Brima, Benoit Martin Azanguezet, Marcellin Atemkeng

机构 * Department of Mathematics and Computer science（数学与计算机科学系） ； Institute of Cognitive Science（认知科学研究所） ； Rhodes University（罗德斯大学） ； National Institute for Theoretical and Computational Sciences (NITheCS)（理论与计算科学国家研究所） 纠错

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

AI总结 本文提出一种多模态可解释框架，通过结合CNN和大语言模型，生成脑肿瘤分类的可操作临床见解，提升深度学习在医学影像中的透明度和临床责任性。

A Unified Deep Learning Framework for Motion Correction in Medical Imaging

一种用于医学影像运动校正的统一深度学习框架

Jian Wang, Razieh Faghihpirayesh, Danny Joca, Polina Golland, Ali Gholipour

机构 * Boston Children’s Hospital and Harvard Medical School（波士顿儿童医院和哈佛医学院） ； University of California Irvine（加州大学 Irvine 分校） 纠错

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

AI总结 本文提出UniMo框架，通过交替优化方案统一损失函数，结合等变神经网络和编码器-解码器网络，实现全局刚体运动和局部形变校正，适用于多种医学影像模态。

Comments 10 pages, 6 figures

A method for supervoxel-wise association studies of age and other non-imaging variables from coronary computed tomography angiograms

一种用于从冠状动脉计算机断层扫描血管造影中进行年龄及其他非影像变量的监督超像素关联研究的方法

Johan Öfverstedt, Elin Lundström, Göran Bergström, Joel Kullberg, Håkan Ahlström

机构 * Radiology, Department of Surgical Sciences, Uppsala University（乌普萨拉大学放射科） ； Antaros Medical（Antaros医疗） ； Department of Molecular and Clinical Medicine, Institute of Medicine, Sahlgrenska Academy, University of Gothenburg（哥德堡大学医学院分子与临床医学系） 纠错

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

AI总结 本文提出一种基于监督超像素的分析方法，用于研究冠状动脉CT血管造影中体积和组织密度特征与年龄的关联，发现局部变化并揭示性别差异。

Comments 35 pages

Journal ref Sci Rep 16, 11000 (2026)

Information-Theoretic Optimization for Task-Adapted Compressed Sensing Magnetic Resonance Imaging

信息论优化用于任务适应的压缩感知磁共振成像

Xinyu Peng, Ziyang Zheng, Wenrui Dai, Duoduo Xue, Shaohui Li, Chenglin Li, Junni Zou, Hongkai Xiong

机构 * Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系） ； Department of Electronic Engineering, Shanghai Jiao Tong University（上海交通大学电子工程系） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） 纠错

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

AI总结 本文提出基于信息论的任务适应压缩感知磁共振成像方法，通过最大化未采样k空间测量与临床任务间的互信息，实现不确定性预测和适应任意采样比率的灵活控制。

Comments 68 pages, 15 figures, accepted by IEEE TPAMI

General Microstructure Factor Analysis of Diffusion MRI in Gray-Matter Predicts Cognitive Scores

扩散磁共振成像在灰质中的微结构因素分析及其对认知分数的预测

Lucas Z. Brito, Ryan P. Cabeen, David H. Laidlaw

专题命中 医学影像 ：MRI(title,abstract)；分类 q-bio

AI总结 研究通过NODDI和PCA分析灰质微结构，发现各向同性体积分数能显著解释个体差异并预测特定认知能力。

Comments 11 pages, 5 figures, 1 table

Elucidating the Design Space of Arbitrary-Noise-Based Diffusion Models

阐明基于任意噪声的扩散模型的设计空间

Xingyu Qiu, Mengying Yang, Xinghua Ma, Dong Liang, Fanding Li, Gongning Luo, Wei Wang, Kuanquan Wang, Shuo Li

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Case Western Reserve University（凯斯西储大学） 纠错

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

AI总结 EDA通过扩展噪声模式灵活性并保持模块化，提升图像恢复任务的泛化能力。

Comments 16 pages, 4 figures, accepted by CVPR 2026

Unsupervised Deformable Image Registration with Local-Global Attention and Image Decomposition

无监督可变形图像配准与局部-全局注意力及图像分解

Zhengyong Huang, Xingwen Sun, Xuting Chang, Ning Jiang, Yao Wang, Jianfei Sun, Hongbin Han, Yao Sui

机构 * Institute of Medical Technology, Peking University Health Science Center（北京大学医学部医学技术研究所） ； National Institute of Health Data Science, Peking University（北京大学国家健康数据科学研究院） ； Department of Radiology, Peking University Third Hospital（北京大学第三医院放射科） ； Department of Pediatrics, Peking University First Hospital（北京大学第一医院儿科） ； Pediatric Epilepsy Center, Peking University First Hospital（北京大学第一医院儿童癫痫中心） ； School of Biological Science and Medical Engineering, Southeast University（东南大学生物科学与医学工程学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

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

AI总结 本文提出LGANet++，通过局部-全局注意力机制和图像分解技术，实现更准确、鲁棒的无监督可变形图像配准。

Unveiling Normative Trajectories of Lifespan Brain Maturation Using Quantitative MRI

揭示寿命大脑成熟规范轨迹的定量MRI

Xinjie Chen, Mario Ocampo-Pineda, Po-Jui Lu, Clara Ekerdt, Matthias Weigel, Michelle G. Jansen, Alessandro Cagol, Kwok-Shing Chan, Sabine Schädelin, Marcel Zwiers, Joukje M. Oosterman, David G. Norris, Johanna M. M. Bayer, Andre F. Marquand, Willeke M. Menks, Jens Kuhle, Ludwig Kappos, Lester Melie-Garcia, Cristina Granziera, José P. Marques

专题命中 医学影像 ：MRI(title,abstract)；分类 q-bio

AI总结 本研究利用多参数定量MRI揭示大脑成熟轨迹，通过多中心数据建模展示不同脑区的成熟模式及年龄相关变化。

Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images

利用无监督领域适应的语义分割进行CT肺动脉造影图像肺栓塞检测

Wen-Liang Lin, Yun-Chien Cheng

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

AI总结 本文提出一种无监督领域适应框架，利用Transformer和Mean-Teacher架构，通过原型对齐、全局局部对比学习和注意力辅助预测模块，提升CTPA图像肺栓塞检测的准确性和鲁棒性。

VariViT: A Vision Transformer for Variable Image Sizes

VariViT：一种适用于可变图像尺寸的视觉变换器

Aswathi Varma, Suprosanna Shit, Chinmay Prabhakar, Daniel Scholz, Hongwei Bran Li, Bjoern Menze, Daniel Rueckert, Benedikt Wiestler

机构 * Technical University of Munich（慕尼黑技术大学） ； Institute for Artificial Intelligence and Informatics in Medicine, Technical University of Munich（慕尼黑技术大学人工智能与医学信息研究所） ； University of Zurich（苏黎世大学） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 VariViT 是一种改进的视觉变换器，通过可变大小裁剪和新的批处理策略，提升医学图像的表示学习性能。

Airway Tree Modeling Using Dual-channel 3D UNet 3+ with Vesselness Prior

基于双通道3D UNet 3+与血管性先验的气道树建模

Hsiang-Chin Chien, Ching-Ping Wang, Jung-Chih Chen, Chia-Yen Lee

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

AI总结 本研究提出基于双通道3D UNet 3+与血管性先验的肺部气道树建模方法，以提高CT图像分割的准确性。

Comments The authors have decided to withdraw this manuscript in order to substantially revise the methodology and experimental design. A significantly updated version with reorganized structure and additional validation studies will be submitted in the future

Open diffusion MRI and connectivity data for epilepsy and surgery: The IDEAS II release

开放扩散磁共振成像与连接数据用于癫痫和手术：IDEAS II发布

Peter N. Taylor, Gerard Hall, Jonathan Horsley, Yujiang Wang, Sjoerd B. Vos, Gavin P Winston, Andrew W McEvoy, Anna Miserocchi, Jane de Tisi, John S Duncan

专题命中 医学影像 ：MRI(title,abstract)；分类 q-bio

AI总结 IDEAS II发布开放的扩散磁共振成像和连接数据，用于研究癫痫的结构连接性和手术结果，提供216名癫痫患者和98名健康对照者的DWI数据及预处理后的扩散度量图、分割结构连接体等信息。

A diffusion MRI tractography atlas for concurrent white matter mapping across Eastern and Western populations

一种用于东西方人群同时白质映射的扩散磁共振成像束追踪图谱

Yijie Li, Wei Zhang, Ye Wu, Li Yin, Ce Zhu, Yuqian Chen, Suheyla Cetin-Karayumak, Kang Ik K Cho, Leo R. Zekelman, Jarrett Rushmore, Yogesh Rathi, Nikos Makris, Lauren J. O'Donnell, Fan Zhang

专题命中 医学影像 ：MRI(title,abstract)；分类 q-bio

AI总结 本研究提出了一种跨东西方人群的白质图谱，用于同时进行白质映射，并创建了大规模协调的dMRI数据集，以促进对不同文化背景脑差异的研究。

Interpretable Unsupervised Deformable Image Registration via Confidence-bound Multi-Hop Visual Reasoning

可解释的无监督变形图像配准：通过置信度界限多跳视觉推理

Zafar Iqbal, Anwar Ul Haq, Srimannarayana Grandhi

机构 * School of Engineering and Technology（工程与技术学院） 纠错

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

AI总结 本文提出了一种基于多跳视觉推理的可解释无监督变形图像配准框架，通过局部空间细化和跨参考注意力机制，实现高精度且透明的医学图像配准。

Finite element analysis of very large bone models based on micro-CT scans

基于微CT扫描的非常大骨模型的有限元分析

Shani Martinez-Weissberg, Will Pazner, Zohar Yosibash

专题命中 医学影像 ：CT(title,abstract)；分类 q-bio

AI总结 本研究利用开源工具开发了大规模μFE模型，通过微CT扫描分析骨力学，验证了其在解剖真实尺度下的可行性，并展示了通过实验数据校准骨材料属性的方法。

Comments 23 pages, 21 figures

A Semi-Supervised Inf-Net Framework for CT-Based Lung Nodule Analysis with a Conceptual Extension Toward Genomic Integration

一种基于CT的肺结节分析的半监督Inf-Net框架及其向基因组整合的概念扩展

Fateme Mobini, Mohammad Reza Hedyehzadeh, Mahdi Yousefi

专题命中 医学影像 ：CT(title,abstract)；分类 q-bio

AI总结 本研究提出一种半监督Inf-Net框架，通过整合基因组数据提升CT肺结节分析精度，实验表明其在多模态诊断中具有潜力。

Leveraging topological data analysis to estimate bone strength from micro-CT as a surrogate for advanced imaging

利用拓扑数据分析从微CT估计骨强度作为先进成像的替代方案

John Rick Manzanares, Richard Leslie Abel, Paweł Dłotko

专题命中 医学影像 ：CT(title,abstract)；分类 q-bio

AI总结 本研究利用拓扑数据分析从微CT图像中提取骨强度预测特征，证明拓扑特征在骨强度预测中的有效性。

DeepGI: Explainable Deep Learning for Gastrointestinal Image Classification

DeepGI: 可解释的深度学习用于消化道图像分类

Walid Houmaidi, Mohamed Hadadi, Youssef Sabiri, Yousra Chtouki

机构 * School of Science and Engineering, Al Akhawayn University（科学与工程学院，阿尔阿赫瓦因大学） 纠错

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

AI总结 DeepGI通过可解释的深度学习方法，在消化道图像分类中实现了高准确率和可解释性，为医学AI提供了新的基准和见解。

Comments 7 pages, 4 figures, 2 tables. Accepted at DASET 2026

Foundation Models in Medical Imaging: A Review and Outlook

Vivien van Veldhuizen, Vanessa Botha, Chunyao Lu, Melis Erdal Cesur, Kevin Groot Lipman, Edwin D. de Jong, Hugo Horlings, Clárisa I. Sanchez, Cees G. M. Snoek, Lodewyk Wessels, Ritse Mann, Eric Marcus, Jonas Teuwen

机构 * Netherlands Cancer Institute（荷兰癌症研究所） ； Radboud University Medical Center（拉德堡德大学医学中心） ； Delft University of Technology（代尔夫特理工大学） ； University of Amsterdam（阿姆斯特丹大学） ； Oncode Institute（Oncode研究所） 纠错

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

RL-U$^2$Net: A Dual-Branch UNet with Reinforcement Learning-Assisted Multimodal Feature Fusion for Accurate 3D Whole-Heart Segmentation

Jierui Qu, Jianchun Zhao

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