医学 AI

Equivariant Conditional Diffusion Model for Head and Neck CT Image Synthesis from CBCT

用于从CBCT合成头颈CT图像的等变条件扩散模型

Alzahra Altalib, Chunhui Li, Alessandro Perelli

专题命中 医学影像 ：CT(title,title_cn)

AI总结 针对CBCT图像有伪影、CT图像难捕捉治疗中解剖变化的问题，提出EqDiff-CT模型，基于扩散概率模型和群等变条件U-Net主干，从CBCT合成高质量CT图像，经实验验证在多方面有显著提升，为CBCT改进提供框架。

Comments 43 pages, 9 figures, 6 tables, accepted in Medical Physics

Acoustic-to-Articulatory Inversion of Clean Speech Using an MRI-Trained Model

使用MRI训练模型实现无噪声语音的听觉到发音倒置

Sofiane Azzouz, Pierre-André Vuissoz, Yves Laprie

专题命中 医学影像 ：MRI(title,title_cn)

AI总结 本研究通过使用无噪声语音替代MRI去噪语音，实现了更有效的发音倒置，达到接近MRI性能的精度。

An in vivo validation dataset for dynamic volumetric MRI

用于动态体素MRI的活体验证数据集

Max H. C. van Riel, David G. J. Heesterbeek, Martijn Froeling, Cornelis A. T. van den Berg, Alessandro Sbrizzi

专题命中 医学影像 ：MRI(title,title_cn)

AI总结 本文提出一个公开可用的活体数据集，用于验证和改进动态体素MRI的重建方法，通过可控变形和欠采样数据实现活体验证。

Comments 11 pages, 5 figures, 2 tables. Accepted for publication in Scientific Data

Journal ref Scientific Data (2026)

Visualising Parker Weighting in Short-Scan Cone-Beam Micro-CT: A Practical Reference

可视化Parker加权在短扫描锥束微CT中的应用：一个实用参考

Falk L Wiegmann, Nancy L Ford

专题命中 医学影像 ：CT(title,title_cn)

AI总结 本文通过可视化和定量分析，展示Parker加权在eXplore CT 120扫描仪中的应用，揭示其在减少方向性伪影和提高图像质量中的作用。

Pre-CAT: A web-based, graphical user-interface toolbox for preclinical CEST-MRI data processing and analysis

Pre-CAT：一种用于预临床CEST-MRI数据处理和分析的网页式图形用户界面工具箱

Jonah Weigand-Whittier, Samuel Rubin, Cindy Ayala, Mark Velasquez, Nikita Vladimirov, Hadas Avraham, Or Perlman, M. Roselle Abraham, Moriel H. Vandsburger

专题命中 医学影像 ：MRI(title,title_cn)

AI总结 本文提出Pre-CAT，一种开源图形界面工具，旨在标准化预临床CEST-MRI数据分析流程，支持多种成像类型和分析方法，提升跨研究协作效率。

Improving Factuality of 3D Brain MRI Report Generation with Paired Image-domain Retrieval and Text-domain Augmentation

通过配对图像域检索和文本域增强提高3D脑MRI报告生成的事实准确性

Junhyeok Lee, Yujin Oh, Dahyoun Lee, Hyon Keun Joh, Minchul Kim, Chul-Ho Sohn, Sung Hyun Baik, Cheol Kyu Jung, Jung Hyun Park, Kyu Sung Choi, Byung-Hoon Kim, Jong Chul Ye

机构 * Cancer Biology, Seoul National University College of Medicine, Korea（首尔国立大学医学院癌症生物学系，韩国） ； Radiology, Massachusetts General Hospital（麻省总医院放射科） ； Harvard Medical School（哈佛医学院） ； Biomedical Systems Informatics, Yonsei University College of Medicine, Korea（延世大学医学院生物医学系统信息学系，韩国） ； Graduate School, Yonsei University, Korea（延世大学研究生院，韩国） ； Radiology, Seoul National University College of Medicine, Korea（首尔国立大学医学院放射科，韩国） ； Radiology, Seoul National University Hospital, Korea（首尔国立大学医院放射科，韩国） ； Radiology, Seoul National University Bundang Hospital, Korea（首尔国立大学 Bundang 医院放射科，韩国） ； Radiology, SMG-SNU Boramae Medical Center, Korea（SMG-SNU Boramae 医疗中心放射科，韩国） ； Psychiatry, Yonsei University College of Medicine, Korea（延世大学医学院精神病学系，韩国） ； Behavioral Sciences in Medicine, Yonsei University College of Medicine, Korea（延世大学医学院医学行为科学系，韩国） ； Yonsei Institute for Digital Health, Korea（延世大学数字健康研究院，韩国） ； Kim Jaechul Graduate School of AI, KAIST, Korea（金 Jaechul人工智能研究生院，韩国） 纠错

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

AI总结 提出PIRTA框架，通过检索相似3D DWI/ADC图像并利用其配对报告指导LLM生成，避免显式跨模态对齐，显著提高缺血区域准确性。

Comments MICCAI 2026

An Approach to Simultaneous Acquisition of Real-Time MRI Video, EEG, and Surface EMG for Articulatory, Brain, and Muscle Activity During Speech Production

一种用于言语产生过程中发音、大脑和肌肉活动的实时MRI视频、脑电图和表面肌电图同步采集方法

Jihwan Lee, Parsa Razmara, Kevin Huang, Sean Foley, Aditya Kommineni, Haley Hsu, Woojae Jeong, Prakash Kumar, Xuan Shi, Yoonjeong Lee, Tiantian Feng, Takfarinas Medani, Ye Tian, Sudarsana Reddy Kadiri, Krishna S. Nayak, Dani Byrd, Louis Goldstein, Richard M. Leahy, Shrikanth Narayanan

机构 * Signal Analysis and Interpretation Laboratory, University of Southern California（南加州大学信号分析与解释实验室） ； Ming Hsieh Dept. of Electrical and Computer Engineering, University of Southern California（南加州大学明希斯电气与计算机工程系） ； Dept. of Linguistics, University of Southern California（南加州大学语言学系） 纠错

专题命中 医学影像 ：MRI(title,title_cn)

AI总结 本文首次实现了言语产生过程中实时MRI、EEG和表面EMG的同步采集，并提出了针对三模态设置的伪影抑制流程，为言语神经科学和脑机接口提供新视角。

Comments Accepted for Interspeech 2026

Qualitative and quantitative hard-tissue MRI with portable Halbach scanners

使用便携式Halbach扫描仪进行定性和定量硬组织MRI

Jose Borreguero, Luiz G. C. Santos, Lorena Vega Cid, Elisa Castañón, Marina Fernández-García, Pablo Benlloch, Rubén Bosch, Jesús Conejero, Pablo García-Cristóbal, Alba González-Cebrián, Teresa Guallart-Naval, Eduardo Pallás, Laia Porcar, Lucas Swistunow, Jose Miguel Algarín, Fernando Galve, Joseba Alonso

专题命中 医学影像 ：MRI(title,title_cn)

AI总结 本研究开发了低场便携MRI的零回波时间(ZTE)成像框架，通过射频脉冲校准和场图校正实现无伪影成像，并在人体膝关节和踝关节上展示了韧带、肌腱等硬组织的三维成像及首次T1测量。

Comments 19 pages, 14 figures

Fast Electromagnetic and RF Circuit Co-Simulation for Passive Resonator Field Calculation and Optimization in MRI

用于MRI中无源谐振器场计算与优化的快速电磁与射频电路协同仿真

Zhonghao Zhang, Ming Lu, Hao Liang, Zhongliang Zu, Yi Gu, Xiao Wang, Yuankai Huo, Xinqiang Yan

专题命中 医学影像 ：MRI(title,title_cn)

AI总结 提出一种协同仿真框架，通过单次全波电磁仿真结合电路计算与遗传算法，快速优化无源谐振器参数以增强MRI目标区域B1场，相对误差低于1%。

Journal ref Magnetic Resonance Imaging 129 (2026) 110644

Depth to Anatomy: Organ Localization from Depth Images for Automated Patient Table Positioning in Radiology Workflow

深度到解剖：从深度图像中定位器官以实现放射学工作流程中的自动化患者台定位

Eytan Kats, Kai Geissler, Daniel Mensing, Julien Senegas, Jochen G. Hirsch, Stefan Heldman, Mattias P. Heinrich

专题命中 医学影像 ：MRI(summary_cn,abstract)；radiology(title,abstract)；biomedical(comments,journal_ref)；分类 cs.CV

AI总结 本文提出基于学习的框架，通过单张2D深度图像预测41种解剖结构的3D位置和形状，利用MRI数据训练卷积神经网络，实现器官预测，提升患者定位自动化水平。

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:024

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

Deformable Medical Image Registration with KAN-based Implicit Neural Representations

基于KAN的隐式神经表示的可变形医学图像配准

Nikita Drozdov, Marat Zinovev, Dmitry Sorokin

机构 * Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学） 纠错

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

AI总结 提出基于KAN的INR框架KAN-IDIR与RandKAN-IDIR，用于无需数据集级训练的逐对优化可变形医学图像配准，在多模态医学图像上实现高准确性、低开销与稳定性，适用于临床研究。

Comments Accepted at Machine Learning and Knowledge Extraction

Enhancing MedSAM with a Lightweight Box Predictor for Medical Image Segmentation

通过轻量级框预测器增强 MedSAM 用于医学图像分割

Amirhossein Movahedisefat, Amirreza Fateh, Mohammad Reza Mohammadi

机构 * School of Computer Engineering, Iran University of Science and Technology (IUST)（伊朗科学技术大学计算机工程学院） 纠错

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

AI总结 提出一种集成轻量级框预测器的 MedSAM 增强框架，通过单次点击估计边界框以提升点提示的空间引导能力，在仅增加 1.6M 参数下显著提高多模态医学图像分割的准确性和鲁棒性。

Trexplorer Super: Topologically Correct Centerline Tree Tracking of Tubular Objects in CT Volumes

Trexplorer Super：CT 体积中管状物体的拓扑正确中心线树跟踪

Roman Naeem, David Hagerman, Jennifer Alvén, Lennart Svensson, Fredrik Kahl

机构 * Chalmers University of Technology（查尔姆斯理工大学） 纠错

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

AI总结 研究旨在改进 CT 体积中管状物体中心线跟踪。针对 Trexplorer 问题提出 Trexplorer Super，通过开发三个难度递增的中心线数据集，对现有 SOTA 模型全面评估，结果显示 Trexplorer Super 性能更优，且合成数据与真实数据表现有差异。

Comments Submitted Version. Accepted at MICCAI 2025

Complex Wavelet-Based Sinogram Segmentation for Metal Artifact Reduction in Cone-Beam CT

基于复波let的sinogram分割用于锥束CT中金属伪影的减少

Siiri Rautio, Alexander Meaney, Salla-Maaria Latva-Äijö, Harshit Agrawal, Mikael Brix, Dinidu Jayakody, Samuli Siltanen

专题命中 医学影像 ：CT(title,title_cn)

AI总结 本文提出基于复波let的投影域金属伪影减少方法，通过分析性金属分割提升锥束CT图像质量。

MKG-CARE: Case-Aware Reasoning with Multimodal Knowledge Graphs for Explainable Medical Image Diagnosis

基于多模态知识图谱和可靠性引导精化的病例感知医学图像分类

Yiming Xu, Yixuan Liu, Yuhang Zhang, Ling Zheng, Yihan Wang, Qi Song

机构 * University of Science and Technology of China（科学技术大学） 纠错

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

AI总结 提出一种基于多模态知识图谱的病例感知推理框架，通过构建结构化诊断记忆、自适应检索相似病例、知识传播与注入机制以及置信度校准的决策精化方案，提升医学图像分类的性能和可解释性。

BrainG3N: A Dual-Purpose Tokenizer for Controllable 3D Brain MRI Generation

BrainG3N：用于可控3D脑MRI生成的双用途分词器

Max Van Puyvelde, Ibrahim Gulluk, Wim Van Criekinge, Olivier Gevaert

机构 * Department of Biomedical Data Science, Stanford University School of Medicine（斯坦福大学医学院生物医学数据科学系） ； Department of Mathematical Modelling, Statistics & Bioinformatics, Ghent University（根特大学数学建模、统计与生物信息学系） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） 纠错

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

AI总结 提出基于3D掩码自编码器的分词器，解耦编码器与解码器，在23项线性探测任务中21项超越SOTA，并支持条件生成和纵向预测。

Converting T1-weighted MRI from 3T to 7T quality using deep learning

使用深度学习将 3T 的 T1 加权磁共振成像转换为 7T 质量

Malo Gicquel, Ruoyi Zhao, Anika Wuestefeld, Nicola Spotorno, Olof Strandberg, Kalle Åström, Yu Xiao, Laura EM Wisse, Danielle van Westen, Rik Ossenkoppele, Niklas Mattsson-Carlgren, David Berron, Oskar Hansson, Gabrielle Flood, Jacob Vogel

机构 * Department of Clinical Sciences Malmö, SciLifeLab, Lund University（马尔摩临床科学系、SciLifeLab、吕勒奥大学） ； Univ Rennes, CNRS, Inria, Inserm, IRISA UMR 6074, Empenn ERL U 1228（雷恩大学、CNRS、Inria、Inserm、IRISA UMR 6074、Empenn ERL U 1228） ； Clinical Memory Research Unit, Department of Clinical Sciences Malmö, Lund University（临床记忆研究单位、马尔摩临床科学系、吕勒奥大学） ； Centre for Mathematical Sciences, Lund University（数学科学中心、吕勒奥大学） ； Diagnostic Radiology Unit, Department of Clinical Sciences Lund, Lund University（诊断放射学单位、临床科学系、吕勒奥大学） ； Alzheimer Center Amsterdam, Vrije Universiteit Amsterdam, Amsterdam UMC（阿姆斯特丹阿尔茨海默病中心、阿姆斯特丹自由大学、阿姆斯特丹大学医学中心） ； Amsterdam Neuroscience, Neurodegeneration, Amsterdam, The Netherlands（阿姆斯特丹神经科学、神经退行性疾病、阿姆斯特丹、荷兰） ； Memory Clinic, Skåne University Hospital, Malmö, Sweden（记忆诊所、斯德哥尔摩大学医院、马尔摩、瑞典） ； German Center for Neurodegenerative Diseases, Magdeburg, Germany（德国神经退行性疾病中心、马格德堡、德国） ； Center for Behavioral Brain Sciences, Otto-von-Guericke University Magdeburg, Magdeburg, Germany（行为脑科学中心、奥托·冯·格里克大学马格德堡、马格德堡、德国） ； Visual Recognition Group, Faculty of Electrical Engineering, Czech Technical University in Prague（视觉识别组、电气工程系、布拉格技术大学） 纠错

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

AI总结 研究旨在用深度学习从 3T 脑 MRI 合成 7T 脑 MRI，训练了专门 U - Net 和 GAN U - Net 两个模型，其在评估指标上优于此前模型，合成图像在多方面表现良好，可提高图像质量与分割效果且不影响下游任务性能。

BrainNormalizer: Anatomy-Informed Pseudo-Healthy Brain Reconstruction from Tumor MRI via Edge-Guided ControlNet

BrainNormalizer：通过边缘引导控制网络从肿瘤MRI进行解剖学信息伪健康脑重建

Min Gu Kwak, Yeonju Lee, Hairong Wang, Kristin R. Swanson, Jing Li

机构 * University of Pittsburgh（匹兹堡大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cedars-Sinai Medical Center（西德萨斯医疗中心） ； Mayo Clinic Arizona（梅奥诊所亚利桑那分部） 纠错

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

AI总结 针对脑肿瘤致结构变形难区分肿瘤与解剖变异问题，提出BrainNormalizer框架，用两阶段训练学习解剖先验等，通过特定策略实现伪健康脑重建，实验表明其有优势。

OncoReg: Medical Image Registration for Oncological Challenges

OncoReg：面向肿瘤学挑战的医学图像配准

Wiebke Heyer, Yannic Elser, Lennart Berkel, Xinrui Song, Xuanang Xu, Pingkun Yan, Xi Jia, Jinming Duan, Zi Li, Tony C. W. Mok, BoWen LI, Tim Hable, Christian Staackmann, Christoph Großbröhmer, Lasse Hansen, Alessa Hering, Malte M. Sieren, Mattias P. Heinrich

机构 * Institute of Medical Informatics, University of Lübeck（吕贝克大学医学信息学研究所） ； Institute of Radiology and Nuclear Medicine, University Hospital Schleswig-Holstein（石勒斯维希-霍尔斯坦大学医院放射科和核医学研究所） ； Department of Biomedical Engineering and Center for Biotechnology and Interdisciplinary Studies, Rensselaer Polytechnic Institute（伦塞拉塞尔理工学院生物医学工程系和生物技术与跨学科研究中心） ； School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院） ； Division of Informatics, Imaging and Data Sciences, University of Manchester（曼彻斯特大学信息学、成像和数据科学系） ； DAMO Academy, Alibaba Group（阿里集团DAMO学院） ； Hangzhou Shengshi Technology Co., Ltd（杭州盛世科技有限公司） ； Department of Radiation Oncology, University Hospital Schleswig-Holstein（石勒斯维希-霍尔斯坦大学医院放射肿瘤科） ； EchoScout GmbH ； Radboud University Medical Center, Nijmegen（奈密根大学医学中心） ； Institute of Interventional Radiology, University Hospital Schleswig-Holstein（石勒斯维希-霍尔斯坦大学医院介入放射科） 纠错

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

AI总结 提出OncoReg挑战，通过两阶段框架在保护患者隐私的同时开发可泛化的图像配准方法，用于放射治疗中锥束CT与扇束CT的配准，发现特征提取是关键，深度学习和经典方法结合最有效。

Comments 21 pages, 13 figures

Multimodal Brain Tumour Classification Using Feature Fusion

使用特征融合的多模态脑肿瘤分类

Wajih ul Islam, Muhammad Yaqoob, Javed Ali Khan, Volker Steuber

机构 * School of Physics, Engineering and Computer Science（物理、工程与计算机科学学院） ； University of Hertfordshire（赫特福德郡大学） 纠错

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

AI总结 提出双分支多模态网络，融合MRI图像与91个放射组学特征，通过门控融合实现脑肿瘤分类，准确率达96.13%。

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

Alireza Samadifardheris, Dirk H. J. Poot, Florian Wiesinger, Stefan Klein, Juan A. Hernandez-Tamames

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） 纠错

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

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

Chenchuhui Hu, Shaoming Pan, 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（纽约大学） 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。

K-space Gaussian Representation for Parallel MRI

并行磁共振成像的K空间高斯表示

Yu Guan, Mingyu Hu, Jiale Hu, Zhuoxu Cui, Dong Liang, Qiegen Liu

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） 纠错

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

Kai Wang, Meixu Chen, Elie Nasr, Ryan Lanning, Moyed Miften

机构 * University of Colorado School of Medicine（科罗拉多大学医学院） 纠错

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

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

Xingyu Xiang, Shuang Hao, Fan Wang, Jianhua Ma, Chunfeng Lian

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） 纠错

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

Jesse Phitidis, Alison Q. Smithard, William N. Whiteley, Joanna M. Wardlaw, Miguel O. Bernabeu, Maria Valdés Hernández

机构 * University of Edinburgh（爱丁堡大学） 纠错

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

Agamdeep S. Chopra, Caitlin Neher, Tianyi Ren, Juampablo E. Heras Rivera, Hesamoddin Jahanian, Mehmet Kurt

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） 纠错

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。

The MAMA-MIA Challenge: Advancing Generalizability and Fairness in Breast MRI Tumor Segmentation and Treatment Response Prediction

MAMA-MIA挑战：推进乳腺MRI肿瘤分割与治疗反应预测的泛化性和公平性

Lidia Garrucho, Smriti Joshi, Kaisar Kushibar, Richard Osuala, Maciej Bobowicz, Xavier Bargalló, Paulius Jaruševičius, Kai Geissler, Raphael Schäfer, Muhammad Alberb, Tony Xu, Anne Martel, Daniel Sleiman, Navchetan Awasthi, Hadeel Awwad, Joan C. Vilanova, Robert Martí, Daan Schouten, Jeong Hoon Lee, Mirabela Rusu, Eleonora Poeta, Luisa Vargas, Eliana Pastor, Maria A. Zuluaga, Jessica Kächele, Dimitrios Bounias, Alexandra Ertl, Katarzyna Gwoździewicz, Maria-Laura Cosaka, Pasant M. Abo-Elhoda, Sara W. Tantawy, Shorouq S. Sakrana, Norhan O. Shawky-Abdelfatah, Amr Muhammad Abdo-Salem, Androniki Kozana, Eugen Divjak, Gordana Ivanac, Katerina Nikiforaki, Michail E. Klontzas, Rosa García-Dosdá, Meltem Gulsun-Akpinar, Oğuz Lafcı, Carlos Martín-Isla, Oliver Díaz, Laura Igual, Karim Lekadir

机构 * Barcelona Artificial Intelligence in Medicine Lab (BCN-AIM), Facultat de Matemàtiques i Informàtica, Universitat de Barcelona（巴塞罗那人工智能在医学实验室（BCN-AIM），巴塞罗那大学数学与计算机学院） 纠错

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

AI总结 提出MAMA-MIA挑战，通过标准化基准评估乳腺MRI肿瘤分割和病理完全缓解预测，在跨洲多中心数据上分析模型泛化性与公平性，发现性能与亚组公平性之间存在权衡。

Bayesian Insights into Exchange and Restriction in Gray Matter Diffusion MRI

灰质弥散MRI中交换与限制的贝叶斯洞察

Maëliss Jallais, Quentin Uhl, Tommaso Pavan, Malwina Molendowska, Derek K. Jones, Ileana Jelescu, Marco Palombo

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

AI总结 本研究利用贝叶斯推断框架μGUIDE评估NEXI和SANDIX两种灰质模型的参数估计准确性、精度和简并性，发现交换时间和胞体半径等参数在高噪声下存在高不确定性和偏差，强调不确定性量化对提高模型可重复性的重要性。

Continuous 3-D Latent Diffusion for Medical Image Generation and Reconstruction

用于医学生成与重建的连续3D潜扩散

Youness Mellak, Antoine De Paepe, Dimitris Visvikis, Alexandre Bousse

专题命中 医学影像 ：medical image(title)；MRI(abstract,abstract_cn)；CT(abstract,abstract_cn)

AI总结 研究针对高分辨率三维医学扩散模型成本问题，提出连续3D潜扩散模型框架，核心是含特定解码器的紧凑自动编码器，经实验评估，该框架在计算效率、内存使用和重建效果间达平衡，能支持多种医学影像任务。

Comments 14 pages, 7 figures, 3 tables