Subsumptive reflection in SNOMED CT: a large description logic-based terminology for diagnosis
专题命中 医学影像 ：CT(title,abstract)；diagnosis(title)；biomedical(abstract)
Comments 8 pages, 4 figures
科学与医疗
医学 AI
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
1. 医学影像 22719 篇
An anthropomorphic multimodality (CT/MRI) phantom prototype for end-to-end tests in radiation therapy
专题命中 医学影像 ：MRI(title,abstract)；CT(title,abstract)
Comments 18 pages, 6 figures
Journal ref Zeitschrift fuer medizinische Physik, 2015, 25, 391-399
A Pilot Study on Coupling CT and MRI through Use of Semiconductor Nanoparticles
专题命中 医学影像 ：MRI(title,abstract)；CT(title,abstract)
Comments 24 total pages, 9 pages of text, 10 figures with captions (6 pages), supplemental material including analysis code and tutorial (9 pages)
Comparison of Fluid Attenuated Inversion Recovery Sequence with Spin Echo T2-Weighted MRI for Characterization of Brain Pathology
专题命中 医学影像 ：MRI(title,abstract)；pathology(title,abstract)
Comments 9 pages, 6 figures
CohortFinder: an open-source tool for data-driven partitioning of biomedical image cohorts to yield robust machine learning models
专题命中 医学影像 ：medical image(title,abstract)；biomedical(title)；分类 cs.CV、cs.LG；pathology(comments)
Comments 26 pages, 9 figures, 4 tables. Abstract was accepted by European Society of Digital and Integrative Pathology (ESDIP), Germany, 2022
Unsupervised Adaptation of 3D CT Foundation Models for 3D CBCT Segmentation
用于3D CBCT分割的3D CT基础模型的无监督适配
机构 * LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎综合理工学院电信学院LTCI研究所） ； GE HealthCare（GE医疗）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 该研究针对3D CBCT分割面临的标注数据稀缺与跨模态域偏移问题，提出基于降冗余特征对齐的无监督域适应框架，适配CNN及ViT基础模型，在肝脏分割基准上表现优于现有策略，且公开了相关资源。
Comments Accepted at the EMA4MICCAI workshop at MICCAI 2026. 11 pages, 4 figures, 1 table. Code, trained models, weights, and liver annotations are available at https://github.com/mirabll/FARR3D/
Deep Learning Segmentation of Diffusion-Weighted MRI Acute Ischaemic Stroke: A Pragmatic Evaluation Across Three Datasets
扩散加权MRI急性缺血性脑卒中的深度学习分割：跨三个数据集的实用评估
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本研究训练nnU-Net模型，对比不同输入配置与架构，发现仅用DWI训练的基线nnU-Net可快速准确分割急性缺血性脑卒中病灶，性能优于DeepISLES，或可支持临床工作。
Comments 19 pages, 8 figure and 4 tables
SymmAdapt: Symmetrical Flow Matching for Source-Free Domain Adaptation in Medical Image Segmentation
SymmAdapt：用于医学图像分割的无监督源域自适应的对称流匹配方法
机构 * Faculty of Engineering, Tel Aviv University（特拉维夫大学工程学院）
专题命中 医学影像 ：medical image(title)；MRI(abstract,abstract_cn)；CT(abstract,abstract_cn)；分类 cs.CV
AI总结 针对医学图像分割的域偏移问题，提出基于对称流匹配的SFUDA框架，构建生成式回放缓冲区，在多任务评估中优于基线且与传统UDA方法性能相当。
Comments Accepted at SASHIMI 2026, held in conjunction with MICCAI 2026. To appear in the Springer LNCS proceedings of the MICCAI 2026 Satellite Events
Fine-tuning an ECG Foundation Model to Predict Coronary CT Angiography Outcomes
微调一种心电图基础模型以预测冠状动脉CT血管造影结果
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） ； 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 Cardiology, Peking University People’s Hospital（北京大学人民医院心内科） ； Tianjin Key Laboratory of Ionic-Molecular Function of Cardiovascular Disease, Department of Cardiology, Tianjin Institute of Cardiology, The Second Hospital of Tianjin Medical University（天津医科大学心血管离子-分子功能重点实验室，天津心脏病学研究院，天津医科大学第二医院心内科） ； Heart Voice Medical Technology（心声医疗科技） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 本文研究了通过微调心电图基础模型来预测冠状动脉CT血管造影结果的研究问题，采用多中心研究方法，利用CTCA作为解剖参考标准，开发并验证了AI-ECG模型，以预测血管特异性冠状动脉狭窄，并展示了模型在内部和外部验证中的表现，以及其在临床中的应用价值。
MOSAIC: A Self-supervised Dynamic Multi-encoding Reconstruction Framework for 3D Late Gadolinium Enhancement MRI
MOSAIC：用于三维钆延迟增强磁共振成像的自监督动态多编码重建框架
专题命中 医学影像 ：MRI(title,summary_cn)；分类 eess.IV
AI总结 该研究提出MOSAIC自监督动态多编码重建框架，实现加速因子超1000的运动分辨自由呼吸双回波3D LGE MRI，在图像质量上优于现有方法。
COGENT: Counterfactual Gaussian Explanations for Volumetric Medical Images
COGENT：面向体积医学图像的反事实高斯解释
专题命中 医学影像 ：CT(summary_cn,abstract)；medical image(title)；分类 cs.CV
AI总结 COGENT是基于MedGS和Sybil模型的框架，通过高斯体积表示的反事实优化，为肺部CT扫描提供具有临床意义的稀疏可解释性，优于现有方法。
q3-MuPa: Quick, Quiet, Quantitative Multi-Parametric MRI using Physics-Informed Diffusion Models
q3-MuPa: 快速、安静、定量的多参数MRI使用物理引导的扩散模型
机构 * Erasmus University Medical Center（埃拉斯姆斯大学医学中心）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出了一种基于扩散模型的qMRI映射方法，结合物理数据一致性约束，提升映射性能并实现四倍加速的高质qMRI成像。
Journal ref Magnetic Resonance Imaging 131 (2026) 110699
Self-Supervised Weighted Image Guided Quantitative MRI Super-Resolution
自监督加权图像引导的定量磁共振成像超分辨率
机构 * Department of Radiology and Nuclear Medicine, Erasmus MC（放射学与核医学系，埃因霍温麦斯特大学医学中心） ； GE Healthcare（通用电气医疗） ； Department of Imaging Physics, TU Delft（成像物理系，代尔夫特理工大学）
专题命中 医学影像 ：MRI(title,summary_cn)；分类 cs.CV
AI总结 本研究提出一种自监督框架，利用常规高分辨率加权MRI扫描引导，无需高分辨率qMRI数据即可实现qMRI超分辨率，通过深度学习提升T1/T2图质量并验证其跨序列通用性。
Comments This work has been submitted to Magnetic Resonance Materials in Physics, Biology and Medicine for possible publication
Foundation Models Adaptation for Multi-View Multi-modal Cardiac MRI Segmentation and Direct Ejection Fraction Estimation
基础模型在多视图多模态心脏MRI分割与直接射血分数估算中的适配
机构 * Maastricht University（马斯特里赫特大学） ； University Hospital Münster（明斯特大学医院） ； Eindhoven University of Technology（埃因霍温理工大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本研究针对CMR-Multi挑战，微调CineMA并组合冻结CMR基础模型，实现多视图CMR分割与直接LVEF估算，验证了基础模型适配多视图CMR分析的有效性。
Do 3D Medical Foundation Models See Through MRI Artifacts? A Controlled Study of Representation Robustness
三维医学基础模型能看穿MRI伪影吗？一项关于表示鲁棒性的对照研究
机构 * Pioneer Centre for AI, University of Copenhagen（哥本哈根大学先锋人工智能中心）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文对照评估五种三维医学基础模型的表示鲁棒性，发现其鲁棒性与模型及伪影类型相关，部分模型对伪影更敏感，仅靠大规模预训练无法保证伪影不变性，需部署前评估鲁棒性。
Comments Accepted at the ECCV 2026 Workshop on Artificial Intelligence for Medical 3D Vision (AI4M3D)
Bi-PT: Bidirectional Cross-Attention Point Transformers for Four-Chamber Heart Reconstruction from Sparse Cardiac MRI Data
Bi-PT：用于从稀疏心脏MRI数据重建四腔心的双向交叉注意力点变换器
机构 * University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； New York University（纽约大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 针对从稀疏心脏MRI数据重建四腔心的问题，Bi-PT通过双向点交叉注意力学习点特征，结合逐点语义标签改进对应估计，将变形场公式化为神经常微分方程，集成语义标签损失和添加平滑正则化，实验证明其性能准确且稳健。
YOLO-PVC: 2D-to-3D Consolidation of Slice-wise Detections for Volumetric Liver Tumor Localization in MRI
YOLO-PVC：用于MRI中体积肝肿瘤定位的切片式检测的2D到3D整合方法
机构 * ESME Research Lab（ESME研究实验室） ； Université Paris-Est Créteil（巴黎东部克雷泰伊大学） ； LRE EPITA（EPITA LRE实验室） ； Institute of Space Technology（空间技术研究所） ； Henri Mondor University Hospital（亨利·蒙多大学医院）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 针对切片式2D目标检测器在体积数据中预测碎片化不稳定的问题，提出YOLO-PVC框架，通过几何整合提升肝脏肿瘤定位的3D IoU至0.710，优于多种基线方法。
Comments 14 pages, 2 figures, 4 tables. Accepted at AI4M3D Workshop, ECCV 2026 (Spotlight)
K-space Gaussian Representation for Parallel MRI
并行磁共振成像的K空间高斯表示
机构 * Nanchang University（南昌大学） ； Chinese Academy of Sciences（中国科学院） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
专题命中 医学影像 ：MRI(title,summary_cn)；分类 cs.CV
AI总结 针对并行MRI现有K空间重建方法未显式建模连续信号的局限，提出KGR方法，通过Gabor-高斯基元参数化连续信号并结合低秩流形约束，在多数据集上较基线实现重建性能提升。
HERMES: A Hybrid Ensemble for Head-and-Neck Tumor Segmentation, TN Staging, and Recurrence-Free Survival on PET/CT
HERMES：用于PET/CT图像上头颈部肿瘤分割、TN分期及无复发生存分析的混合集成模型
机构 * University of Colorado School of Medicine（科罗拉多大学医学院）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 该研究提出名为HERMES的混合集成算法，用于解决HECKTOR 2026的肿瘤分割、TN分期及无复发生存分析任务，在验证排行榜取得加权分0.6454并晋级测试阶段。
Comments 12 pages, 4 figures, 3 tables, conference
Structured Proxy Features for Multimodal NSCLC Survival Prediction from Pretreatment CT
用于基于治疗前CT的多模态非小细胞肺癌（NSCLC）生存预测的结构化代理特征
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 该研究针对NSCLC生存分层难题，用模拟衍生的6种结构化代理特征扩充多模态数据，结合TMAE模型，在Lung1队列取得优于现有方法的预测性能，验证了代理特征的互补价值。
Comments 33
Eddeep: a deep-learning framework for fast eddy-current distortion correction in diffusion MRI
Eddeep：用于扩散MRI中快速涡流畸变校正的深度学习框架
机构 * Hawkes Institute（霍克斯研究所） ； University College London（伦敦大学学院） ； Institut Pasteur（巴斯德研究所） ； Université Paris Cité（巴黎西岱大学） ； AINOSTICS ltd.（AINOSTICS有限公司） ； Fudan University（复旦大学） ； Université Libre de Bruxelles (ULB)（布鲁塞尔自由大学） ； University of Liège (ULiège)（列日大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本研究针对dMRI中涡流畸变校正方法计算成本高的问题，提出深度学习框架Eddeep，其通过两阶段网络实现与FSL Eddy相当的校正质量，同时大幅缩短推理时间，为大规模研究和临床部署提供支持。
Comments Associated GitHub repo: https://github.com/CIG-UCL/eddeep
GLI-AL: A Multi-Modal Glioma MRI Label Resource with Unified Anatomy-Lesion Labels
GLI-AL：一个具有统一解剖-病变标签的多模态胶质瘤MRI标签资源
机构 * Key Laboratory of Biomedical Information Engineering of Ministry of Education, School of Life Science and Technology, Xi’an Jiaotong University（教育部生物医学信息工程重点实验室，西安交通大学生命科学与技术学院） ； School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院） ； Research Center for Intelligent Medical Equipment and Devices (IMED), Xi’an Jiaotong University（西安交通大学智能医疗设备与器械研究中心）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 研究针对现有BraTS-GLI数据集不足，引入BraTS-GLI Anatomy-Lesion资源，提供统一解剖-病变标签集及元数据。通过WMH感知监督，提升对共存病变敏感性，保持健康组织分割性能，支持多方面研究，数据和代码可获取。
Comments Minor revision: Figure 1 was repositioned. The scientific content remains unchanged
Comparative evaluation of training strategies using partially labelled datasets for segmentation of white matter hyperintensities and stroke lesions in FLAIR MRI
使用部分标注数据集训练策略的比较评估：FLAIR MRI中白质高信号和卒中病变分割
机构 * University of Edinburgh（爱丁堡大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本研究系统评估了六种利用部分标注数据训练联合分割白质高信号和缺血性卒中病变模型的策略，发现伪标签法最有效，可提升模型性能并支持大规模临床研究。
SFL-Net: Source-Factorized Latent Representation Learning for Multi-Contrast MRI to Tau-PET Synthesis
基于部分信息分解指导的解耦量化半UNet的多模态T1加权和FLAIR MRI生成可解释的tau-PET
机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； Department of Radiology, University of Washington（华盛顿大学放射学系）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出一种可解释的多模态图像合成框架，通过部分信息分解指导的解耦量化半UNet生成tau-PET，结合向量量化编码器和半UNet解码器，实现了在ADNI-3和OASIS-3数据集上的最佳性能。
Personalized 4D Whole-Heart Mesh Reconstruction from Cine MRI via Multi-Scale Temporal Modeling and Differentiable Contour Rendering
基于多尺度时间建模与可微分轮廓渲染的个性化4D全心网格重建
机构 * Department of Biomedical Engineering, National University of Singapore（新加坡国立大学生物医学工程系） ； School of Automation, Southeast University（东南大学自动化学院） ； Department of Medicine, National University of Singapore（新加坡国立大学医学系） ； Department of Cardiology, National University Heart Centre Singapore（新加坡国立大学心脏中心心脏病学系）
专题命中 医学影像 ：MRI(title,summary_cn)；分类 cs.CV
AI总结 提出端到端框架，从稀疏电影MRI重建4D全心网格，利用可微分轮廓渲染和多尺度时间建模，实现低误差（1.68 mm）和高运动平滑度。
Comments 15 pages
A Benchmark of (MRI-) Foundation Models to Predict IDH Mutational Status in Glioma
（MRI）基础模型预测胶质瘤IDH突变状态的基准测试
专题命中 医学影像 ：MRI(title,title_cn)；分类 eess.IV
AI总结 本研究比较了四种图像基础模型和基于影像组学的基线方法在预测胶质瘤IDH突变状态上的性能，发现影像组学基础模型TabPFN表现最佳，而图像基础模型在跨队列迁移中性能下降，但BiomedCLIP在外部队列中AUROC最高。
AnF-DiffPET: Anatomy- and Frequency-Guided Diffusion for PET/CT Denoising
AnF-DiffPET: 用于PET/CT去噪的解剖与频率引导扩散
机构 * College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学与生物信息工程学院） ； Tohoku University School of Medicine（东北大学医学院） ； Department of Clinical Neurosciences, University of Cambridge（剑桥大学临床神经科学系）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 提出AnF-DiffPET框架，通过解剖-频率引导、多尺度交叉变换重建和频率对比硬挖掘，解决低剂量PET去噪中的解剖引导不足、多尺度特征传播不稳定和频域恢复不确定性问题，在多个数据集上优于现有方法。
Comments 11 pages, 8 figures, 3 tables
ENSAM: an efficient foundation model for interactive segmentation of 3D medical images
ENSAM：一种高效的交互式3D医学图像分割基础模型
机构 * Akershus University Hospital（阿克什胡斯大学医院）
专题命中 医学影像 ：medical image(title,abstract)；MRI(abstract)；CT(abstract)；biomedical(abstract)
AI总结 ENSAM结合SegResNet编码器、提示编码器和掩码解码器，通过潜在交叉注意力、相对位置编码等技术，在有限数据和算力下实现高效3D医学图像分割，优于现有基线模型。
Product-of-Gaussian-Mixture Diffusion Models for Joint Nonlinear MRI Reconstruction
基于高斯混合积的扩散模型用于联合非线性MRI重建
机构 * Graz University of Technology（格拉茨技术大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Biomedical Imaging Group and Center for Biomedical Imaging（生物医学成像组和生物医学成像中心）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出结合参数高效高斯混合积扩散模型与经典平滑先验的联合重建方法，提升MRI重建的效率和鲁棒性，同时改善去噪和图像重建效果。
A Latent ODE Approach to Spatiotemporal Modeling of Cine Cardiac MRI
一种用于电影心脏MRI时空建模的潜在ODE方法
机构 * Swiss Data Science Center, EPFL and ETH Zürich（瑞士数据科学中心，EPFL 和 ETH 苏黎世） ； Diagnostic and Interventional Radiology, University Hospital Zürich（诊断与介入放射学，苏黎世大学医院） ； Institute for Biomedical Engineering, University and ETH Zürich（生物医学工程研究所，苏黎世大学和 ETH 苏黎世） ； Biomedical Informatics Group, ETH Zürich（生物医学信息学小组，ETH 苏黎世） ； Division of Preventive Medicine, Brigham and Women’s Hospital / Harvard Medical School（预防医学部，布莱根妇女医院/哈佛医学院）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 提出一种基于神经ODE的潜在动力学模型，从心脏MRI中编码双心室结构和全周期运动，通过图网格自编码器重建3D+t运动，并利用Cox模型评估偏离预期状态对心衰的预测能力，在UK Biobank数据上优于传统指标。
