医学 AI

Benchmarking MRI Representations for Deep Learning-Based Focal Cortical Dysplasia Segmentation

基于深度学习的局灶性皮质发育异常分割的MRI表征基准测试

Soumen Ghosh, John Phamnguyen, Amit Soni Arya, Subhojit Mandal, Tilottama Goswami, Rajat Vashistha

机构 * The University of Queensland（昆士兰大学） ； I-MED Radiology（I-MED放射学） ； Bennett University（贝内特大学） ； Indian Institute of Technology Madras（印度马德拉斯理工学院） ； University College of Engineering, Osmania University（奥斯曼尼亚大学工程学院） ； Mater Hospital（玛特医院） ； Royal Brisbane and Women’s Hospital（皇家布里斯班和妇女医院） 纠错

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

AI总结 研究针对局灶性皮质发育异常分割，利用nnU-Net框架对MRI表征进行基准测试，评估多种输入配置，发现FLAIR单模态性能最强，比率衍生表征单独不足，多模态配置可提高病变描绘，强调MRI表征设计在深度学习分割中的重要性。

When Can Test-Time Adaptation Help Zero-Shot CT Vision-Language Models?

测试时自适应何时能帮助零样本CT视觉语言模型？

Ailar Mahdizadeh, Puria Azadi Moghadam, Xiangteng He, Leonid Sigal

机构 * University of British Columbia（英属哥伦比亚大学） ； Vector Institute（向量研究所） 纠错

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

AI总结 研究零样本3D CT视觉语言模型中测试时自适应（TTA）的作用，通过控制诊断分析表明其具有条件性，引入CARVE方法，在基础模型有判别力时能带来一致改进，确立多标签TTA问题及CARVE为基数感知解决方案。

Partial Information Decomposition as a Multi-Contrast 3D MRI Selection Strategy for Resource-Constrained Deep Neural Network Training in Brain Tumor Segmentation

部分信息分解作为一种多对比度3D MRI选择策略，用于脑肿瘤分割中资源受限的深度神经网络训练

Agamdeep Chopra, Mehmet Kurt

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

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

AI总结 研究针对脑肿瘤分割中多对比度3D MRI分割计算量大的问题，采用部分信息分解框架对输入对排序选最优用于训练，实验表明该方法选出的T1c+T2-FLAIR是强双输入配置，证明了基于PID预训练选择的实用价值。

$K$-NeAS: Scalable Multi-Material CT Reconstruction Using Neural SDFs

K-NeAS：使用神经符号距离函数的可扩展多材料CT重建

Daksh K. Shah, Emmanouil Nikolakakis, Razvan V. Marinescu

机构 * University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校） 纠错

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

AI总结 研究针对CT电离辐射风险下的稀疏视图重建问题，提出K-NeAS架构，通过共享主干和K材料顺序软选择器建模多材料，用GMM自动界定衰减并减轻几何幻觉，在多数据集上实现任意材料数量的高保真重建及稀疏采样下的鲁棒性提升。

Comments 9 pages, 3 figures. Under peer review

TRACE-PCa: Predicting Prostate Cancer Progression from Longitudinal MRI During Active Surveillance

TRACE-PCa：在主动监测期间从纵向MRI预测前列腺癌进展

Hongye Zeng, Shreeram Athreya, Dingyuan Dai, Steve Raman, Leonard Marks, William Speier, Corey Arnold

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

AI总结 研究提出TRACE-PCa模型，无需病变分割，通过预训练3D MRI模型编码序列扫描，引入时间注意力门，融合临床变量，在纵向AS队列验证中表现出色，能减少不必要活检，有预测前列腺癌进展的潜力。

Comments 7 pages, 4 figures

Metadata Supervised MRI Representations for Modelling and Controlling Acquisition Variability

用于建模和控制采集变异性的元数据监督MRI表示

Mehmet Yigit Avci, Pedro Borges, Virginia Fernandez, Natalia Glazman, Paul Wright, Mehmet Yigitsoy, Sebastien Ourselin, Jorge Cardoso

机构 * University College London（伦敦大学学院） ； deepc GMBH（深度c有限公司） 纠错

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

AI总结 研究磁共振成像采集变异性问题，通过联合建模MRI图像与DICOM元数据分离变异源，学习到解纠缠表示，在此基础上引入统一协调模型，为采集感知表示学习奠定基础。

A Unified Framework for Comprehensive Cardiac CT Segmentation and Phenotyping: Human-in-the-Loop Data Annotation, Vision Foundation Model Development, Multicenter Evaluation and Clinical Validation

用于心脏CT综合分割与表型分析的统一框架：人在回路数据标注、视觉基础模型开发、多中心评估及临床验证

Pooya Mohammadi Kazaj, Leo Fridolin Weber, Wen Xie, Seyed Amir Ahmad Safavi-Naini, Anselm Stark, Giovanni Baj, Ali Mokhtari, Toshiya Yoshida, Christoph Ryffel, Taishi Okuno, Yoshihiro Akashi, Ronny R. Buechel, Thomas Pilgrim, Waldo Valenzuela, George C. M. Siontis, Xiaowei Xu, Moritz Hundertmark, Stephan Windecker, Christoph Grani, Isaac Shiri

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

AI总结 该研究提出统一框架用于心脏CT综合分割与表型分析，结合人在回路标注、增强技术与自监督预训练模型，组建大型数据集，在多数据集上表现优于开源工具，提高标注效率，推动心脏表型分析发展，还提供了可重复基础。

Design Choices in Splitting-Based Self-Supervised Sparse-View CT Reconstruction

基于分割的自监督稀疏视图CT重建中的设计选择

Nadja Gruber, Lukas Neumann, Ander Biguri, Gyeongha Hwang, Markus Haltmeier, Johannes Schwab

机构 * University of Innsbruck（因斯布鲁克大学） ； Institute of Basic Sciences in Engineering Science, University of Innsbruck（因斯布鲁克大学工程科学基础科学研究所） ； University of Cambridge（剑桥大学） ； Yeungnam University（岭南大学） ； University of Applied Sciences Kufstein（库夫施泰因应用科学大学） 纠错

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

AI总结 研究基于分割的自监督稀疏视图CT重建中关键设计选择的影响，引入统一框架分解重建为三组件，通过实验表明最优划分策略依赖噪声结构，多划分分割表现优，结果为方法设计提供指南并凸显独立性假设局限。

Comments 12 pages (main manuscript), 9 pages (supplementary material and figures)

Super-Generalist: Towards Comprehensive and Accurate Medical Image Understanding via Generalist-Specialist Synergy

超级通才：通过通才-专才协同实现全面准确的医学图像理解

Shaoteng Zhang, Weiwei Cao, Wanxing Chang, Yutong Xie, Kai Cao, Zaiyi Liu, Yu Shi, Tingbo Liang, Qi Zhang, Ling Zhang, Yong Xia, Jianpeng Zhang

机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hupan Lab（湖畔实验室） ； Department of Radiology, Ningbo No. 2 Hospital（宁波市第二医院放射科） ； Department of Radiology, Guangdong Provincial People’s Hospital（广东省人民医院放射科） ； Department of Radiology, Shanghai Institution of Pancreatic Disease（上海胰腺疾病研究所放射科） ； Department of Radiology, Shengjing Hospital of China Medical University（中国医科大学附属盛京医院放射科） ； The First Affiliated Hospital, Zhejiang University School of Medicine（浙江大学医学院附属第一医院） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 研究旨在通过通才-专才协同实现全面准确的医学图像理解。提出SuG框架，整合多分割专家空间先验进行视觉-语言对齐，利用病变掩码校准注意力。在多CT基准测试中评估，其在疾病诊断任务中性能领先，超越专才模型，有强大病变定位能力。

CT-CLIP Representations for Multimodal Lung Cancer Survival Prediction

用于多模态肺癌生存预测的CT-CLIP表示

Sofie Allgöwer, Mikael Johansson, Andreas Hallqvist, Jonas Andersson, Åse Johnsson, Ida Häggström, Jennifer Alvén

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； Umeå University（于默奥大学） ； Sahlgrenska University Hospital（萨尔格伦斯卡大学医院） ； Sahlgrenska Academy at Gothenburg University（哥德堡大学萨尔格伦斯卡学院） 纠错

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

AI总结 研究评估特定领域基础模型CT-CLIP用于肺癌多模态生存预测，通过多种策略提取特征，结果显示冻结的CT-CLIP模型结合可训练生存头表现出色，能有效区分高低风险组。

Comments 8 pages, 2 figures

PhyMRI-SR: Toward Physics-Aware MRI Image Super-Resolution

PhyMRI-SR：迈向基于物理感知的MRI图像超分辨率

Lihua Wei, Huatong Gao, Jia Gong, Zhiyu Tan, Hao Li, Jun Liu, Zhihua Ren

机构 * School of Biomedical Engineering, ShanghaiTech University（上海科技大学生物医学工程学院） ； Shanghai Academy of AI for Science（上海人工智能研究院） ； Fudan University（复旦大学） ； School of Computing and Communications, Lancaster University（兰卡斯特大学计算与通信学院） ； School of Biomedical Engineering & State Key Laboratory of Advanced Medical Materials and Devices, ShanghaiTech University（上海科技大学生物医学工程学院与先进医学材料与器械国家重点实验室） ； Shanghai Clinical Research and Trial Center（上海临床研究与试验中心） 纠错

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

AI总结 研究旨在解决MRI图像超分辨率问题，将其视为物理感知重建问题。核心方法是采用2D高斯点渲染并引入三项创新，包括先验感知高斯表示、物理约束信号建模和元学习框架。主要贡献是在动态分辨率数据集和标准基准上实现领先性能，有临床部署潜力。

Comments Project Page: https://bio-med-i2-lab.github.io/projects/PhyMRI-SR

Patient-Specific Articulated Digital Twins from a Single Full-Body CT Scan

患者特异性关节式数字孪生：基于单次全身CT扫描

Han Zhang, Boyang Zhao, Mathias Unberath

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 提出从单次全身CT扫描构建患者特异性关节式数字孪生的方法，通过SMPL模型拟合、解剖感知绑定和姿态重定向，实现姿态可控的解剖模型，验证了其在保持骨骼几何和放射学结构方面的有效性。

ProSAC-CT: Progressive Spectral-Anatomical Co-Guided Multi-Stage Diffusion Model for Low-Dose CT Denoising

ProSAC-CT: 渐进式频谱-解剖协同引导的多阶段扩散模型用于低剂量CT去噪

Xuepeng Liu, Zetong Liu, Renyiming Li, Yan Li, Ruiyu Li, Ruili Li, Jiayi Ding, Eichi Takaya

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） ； State Key Laboratory of Oncology in South China, Sun Yat-sen University Cancer Center（华南肿瘤学国家重点实验室，中山大学肿瘤防治中心） ； AI Lab, Tohoku University Hospital（东北大学医院人工智能实验室） 纠错

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

AI总结 提出ProSAC-CT，一种渐进式频谱-解剖协同引导的多阶段扩散模型，通过解剖先验引导、残差频域解耦和时间步解耦解码器，有效去除低剂量CT噪声并保留解剖细节。

Comments 14 pages, 8 figures, 3 tables

Closed-loop coupling of personalised and foundation models for real-time treatment guidance with MRI

个性化模型与基础模型的闭环耦合用于MRI实时治疗引导

James Grover, Emily A. Hewson, Andrew Phair, Michael Ferraro, Hilary L. Byrne, Paul Keall, Michael G. Jameson, David E. J. Waddington

机构 * Image X Institute, Sydney School of Health Sciences, Faculty of Medicine and Health, The University of Sydney, Sydney, Australia（悉尼大学医学与健康学院悉尼健康科学学院Image X研究所，悉尼，澳大利亚） ； GenesisCare, Sydney, Australia（GenesisCare，悉尼，澳大利亚） ； School of Clinical Medicine, Medicine & Health, University of New South Wales, Sydney, Australia（新南威尔士大学医学与健康学院临床医学系，悉尼，澳大利亚） ； Centre for Medical Radiation Physics, School of Mathematics and Physics, University of Wollongong, Wollongong, Australia（伍伦贡大学数学与物理学院医学辐射物理中心，伍伦贡，澳大利亚） 纠错

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

AI总结 提出一种闭环耦合框架，结合个性化时间预测模型与基础模型的连续分割解剖解释，实时补偿MRI引导治疗中的成像延迟，在400毫秒预测范围内改善解剖预测并减少剂量误差。

Comments 18 pages, 8 figures, 2 supplementary figures

PSCT-Net: Geometry-Aware Pediatric Skull CT Reconstruction via Differentiable Back-Projection and Attention-Guided Refinement

PSCT-Net: 通过可微反投影和注意力引导细化实现几何感知的儿科颅骨CT重建

Dong Yeong Kim, Jaewon Choi, Youmin Shin, JunGyu Lee, Myeongseop Kim, Jinwook Choi, Joo Whan Kim, Young-Gon Kim

机构 * Interdisciplinary Program in Bioengineering, Seoul National University（首尔大学生物工程跨学科项目） ； Department of Transdisciplinary Medicine, Seoul National University Hospital（首尔大学医院跨学科医学系） ； Department of Artificial Intelligence, Yonsei University（延世大学人工智能系） ； Department of Medicine, Seoul National University College of Medicine（首尔大学医学院医学系） ； Healthcare AI Research Institute, Seoul National University Hospital（首尔大学医院医疗人工智能研究所） 纠错

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

AI总结 提出PSCT-Net，利用可微反投影建立空间先验，结合注意力引导投影和双向Mamba模块，从稀疏双平面X射线重建3D CT，缓解深度模糊并改善骨边界。

Comments 11pages, 5 figures

Compression-Driven Anomaly Detection in Brain MRI Using an Interpretable Quantum Autoencoder

基于可解释量子自编码器的脑MRI压缩驱动异常检测

Santanu Ganguly, Xing Liang, Dimitrios Makris

机构 * Kingston University（金史密斯大学） ； Quantum AI (QAI) Research Group（量子人工智能研究组） ； School of Computer Science and Mathematics (CSM)（计算机科学与数学学院） ； Faculty of Engineering, Computing and the Environment (ECE)（工程、计算与环境学院） 纠错

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

AI总结 提出一种量子自编码器（QAE），利用角度编码和变分编码器-解码器架构，通过压缩异常检测脑MRI中的肿瘤区域，在切片级和块级ROC-AUC上分别达到约0.95和0.813，优于经典自编码器和PCA基线。

MRI2Rep: Autoregressive Structured Report Generation for 3D Liver MRI

MRI2Rep：3D肝脏MRI的自回归结构化报告生成

Xinran Li, Junlin Yang, Annabella Shewarega, Zongwei Zhou, Julius Chapiro, James S. Duncan, Lawrence H. Staib

机构 * Department of Biomedical Engineering（生物医学工程系） ； Department of Radiology & Biomedical Imaging（放射学与生物医学影像系） ； Department of Electrical Engineering（电气工程系） ； Yale University（耶鲁大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Johns Hopkins Medicine（约翰霍普金斯医学） 纠错

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

AI总结 提出MRI2Rep自回归框架，通过报告到标签规范化模块将自由文本转换为结构化诊断序列，实现3D肝脏MRI的端到端结构化报告生成，在真实数据集上优于基线方法。

Comments MICCAI 2026

Promise and challenges of heart chamber segmentation from non-contrast CT scans using contrastive unpaired image translation: a feasibility study

使用对比非配对图像翻译从非增强CT扫描中进行心脏腔室分割的前景与挑战：一项可行性研究

Jing Wang, Tong Yu, Hao-En Lu, Zixue Zeng, Joseph K. Leader, Xin Meng, Jianbing Zhu, Jiantao Pu

机构 * Department of Radiology, University of Pittsburgh（匹兹堡大学放射科部门） ； Department of Bioengineering, University of Pittsburgh（匹兹堡大学生物工程部门） ； Department of Ophthalmology, University of Pittsburgh（匹兹堡大学眼科学部门） 纠错

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

AI总结 提出ChameleonNet框架，利用对比非配对翻译生成非增强CT，结合深度学习分割心脏四腔，在合成图像上DSC达0.91-0.94，但真实CT上体积误差较大，需进一步改进。

Quantum CT via Dynamic Interval Encoding and Prior-Balanced QUBO Reconstruction

基于动态区间编码和先验平衡QUBO重建的量子CT

Ao Wang, Yikuang Yuluo, Yujie Liu, Shuangyang Zhong, Yuwen Zhang, Zihao Wang, Fenglin Liu, Andreas Maier, Haijun Yu, Yixing Huang

机构 * Institute of Medical Technology, Peking University Health Science Center（北京大学医学部医学技术研究院） ； Pattern Recognition Lab (LME), Department of Computer Science, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)（埃尔朗根-纽伦堡大学计算机科学系模式识别实验室） ； Key Lab of Optoelectronic Technology and Systems and the Engineering Research Center of Industrial Computed Tomography Nondestructive Testing, Ministry of Education, Chongqing University（重庆大学光电技术及系统教育部重点实验室和工业计算机断层成像无损检测工程研究中心） 纠错

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

AI总结 提出一种基于QUBO的灰度CT重建框架，通过动态区间编码和先验平衡优化，在稀疏视角和有限角度实验中优于多种基线方法，并可在混合量子-经典后端执行。

Comments 10 pages, 10 figures

Optimized Multi-Contrast Self-Supervised MRI Reconstruction using Learned k-space Partitioning

使用学习型k空间划分的优化多对比度自监督MRI重建

Brenden Kadota, Charles Millard, Mark Chiew

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

AI总结 提出一种多对比度自监督学习框架，通过端到端学习最优k空间数据划分，无需全采样数据即可提升MRI重建质量。

BrainFusionNet: a deep learning and XAI model to understand local, global, and sequential features of MRI images for improved brain tumour detection

BrainFusionNet：一种用于理解MRI图像局部、全局和序列特征以改进脑肿瘤检测的深度学习与XAI模型

Md Taimur Ahad, Bo Song, Yan Li

机构 * School of Mathematics, Physics and Computing, University of Southern Queensland（南方昆士兰大学数学、物理与计算学院） ； School of Engineering, University of Southern Queensland（南方昆士兰大学工程学院） 纠错

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

AI总结 提出BrainFusionNet混合模型，结合CNN、ViT和GRU提取MRI空间、上下文和序列特征，并集成SHAP、LIME和GradCAM进行可解释性分析，在公开数据集上达到98%准确率，优于SOTA CNN。

Journal ref Brain Inf. 13, 21 (2026)

Fine-UNETR for PSMA PET/CT Lesion Segmentation: Automated Tumor Quantification and Overall Survival Stratification in Prostate Cancer

Fine-UNETR 用于 PSMA PET/CT 病灶分割：前列腺癌中自动肿瘤定量和总生存期分层

Mansour Abtahi, Chae Moon Hong, Nikhil Deveshwar, Stellamaris Nwihim, Minkyung Lee, Peder E. Z. Larson, Thomas A. Hope

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

AI总结 提出基于 Vision Transformer 的 Fine-UNETR 架构，实现全身 PSMA PET/CT 病灶自动分割，并验证 AI 衍生的肿瘤负荷生物标志物在放射配体治疗前总生存期分层中的临床效用。

Revisiting LLM Adaptation for 3D CT Report Generation: A Study of Scaling and Diagnostic Priors

重新审视用于3D CT报告生成的LLM适应：缩放与诊断先验研究

Vanshali Sharma, Andrea M. Bejar, Halil Ertugrul Aktas, Quoc-Huy Trinh, Debesh Jha, Gorkem Durak, Ulas Bagci

机构 * Northwestern University（西北大学） ； University of South Dakota（南达科他大学） ； Aalto University（阿尔托大学） 纠错

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

AI总结 提出RAD3D-Prefix轻量级诊断先验框架，通过冻结大语言模型并融合多标签分类逻辑，在少量可训练参数下实现3D CT报告生成，优于全微调基线并展现强泛化性。

LUCID: Learned Undersampling-Adaptive Consistency-Guided Inference with Deterministic Flow Matching for Sparse-View CT Reconstruction

LUCID：基于确定性流匹配的学习型欠采样自适应一致性引导稀疏视角CT重建

Jigang Duan, Jiayi Wang, Heran Wang, Ping Yang, Genwei Ma, Xing Zhao

机构 * School of Mathematical Sciences, Capital Normal University（首都师范大学数学科学学院） ； National Center for Applied Mathematics Beijing, Capital Normal University（首都师范大学北京国家应用数学中心） ； Academy for Multidisciplinary Studies, Capital Normal University（首都师范大学交叉科学研究院） 纠错

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

AI总结 提出LUCID框架，利用流匹配生成先验和稀疏度自适应策略，通过退化匹配初始状态和投影域一致性校正，实现不同采样密度下的稳定稀疏视角CT重建，减少伪影和幻觉结构。

Trusting Right Predictions for Wrong Reasons: A LIME Based Analysis of Deep Learning Interpretability in Lung Cancer Diagnosis

信任错误理由的正确预测：基于LIME的肺癌诊断深度学习可解释性分析

Samarpan Poudel, Vladislav D Veksler

机构 * Caldwell University School of Business and Computer Science（考德威尔大学商业与计算机科学学院） 纠错

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

AI总结 本研究通过LIME分析三种深度学习模型（CNN、ResNet50、ViT）在肺癌CT分类中的决策一致性，发现预测高度一致但解释区域差异显著，表明预测一致性不能替代推理一致性。

Mutual Distillation of Dual-Foundation Models for Semi-Supervised PET/CT Segmentation

双基础模型的相互蒸馏用于半监督PET/CT分割

Fuyou Mao, Beining Wu, Yanfeng Jiang, Bohan Xu, Lixin Lin, Naye Ji, Hao Zhang, Yan Tang

机构 * Central South University（中南大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； Communication University of Zhejiang（浙江传媒学院） ； Northeastern University（东北大学） 纠错

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

AI总结 提出MuDuo框架，利用SAM-Med3D和SegAnyPET分别从CT和PET中蒸馏知识到轻量学生网络，实现半监督器官分割，仅用5个标注样本在AutoPET数据集上达到最优性能。

Comments MICCAI 2026

Physics-Driven Zero-Shot MRI Reconstruction with Non-local Image Priors

基于非局部图像先验的物理驱动零样本MRI重建

Lingtong Zhang, Wenlei Li, Mu He, Li Xiao, Yang Ji

机构 * School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院） 纠错

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

AI总结 提出一种物理驱动的零样本自监督学习框架，通过线圈灵敏度图引导的动态存储库、SPIRiT正则化和非局部自相似像素银行，解决欠采样MRI重建中的监督不足和过拟合问题，在FastMRI数据集上达到最优性能。

Time-Conditioned and Multi-Time Survival Prediction from 2D PET/CT Projections in Lung Cancer

基于2D PET/CT投影的时间条件与多时间生存预测在肺癌中的应用

Ashish Chauhan, Sambit Tarai, Elin Lundström, Johan Öfverstedt, Håkan Ahlström, Joel Kullberg

机构 * Radiology, Department of Surgical Sciences, Uppsala University（乌普萨拉大学外科学系放射科） ； National Academic Infrastructure for Supercomputing (NAISS), Linköping University（林雪平大学国家学术超级计算基础设施） ； Antaros Medical ； SciLifeLab, Uppsala University（乌普萨拉大学SciLifeLab） 纠错

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

AI总结 提出时间条件生存（ATCS）和多时间生存（MTS）两种方法，利用2D PET/CT投影预测非小细胞肺癌患者生存，ATCS在早期预测更优，MTS在晚期更优。

Comments Under review at MIUA 2026

Multimodal Ordinal Modeling of Alzheimer's Disease Severity Using Structural MRI and Clinical Data

使用结构MRI和临床数据的阿尔茨海默病严重程度的多模态序数建模

Boris-Stephan Rauchmann, Jonathan Laib, Buse Ercik, Robert Perneczky, Sergio Altares-López

机构 * Department of Neuroradiology, LMU University Hospital, Ludwig Maximilian University of Munich（神经放射科，慕尼黑路德维希-马克西米利安大学医院，慕尼黑路德维希-马克西米利安大学） ； Department of Psychiatry and Psychotherapy, LMU University Hospital, Ludwig Maximilian University of Munich（精神病学与心理治疗系，慕尼黑路德维希-马克西米利安大学医院，慕尼黑路德维希-马克西米利安大学） 纠错

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

AI总结 提出一种注意力增强的多模态序数回归框架，整合MRI、人口统计学和遗传数据，用于自动且可解释的AD严重程度分期，在ADNI等数据集上验证，序数模型在相邻阶段准确率（0.970）和与临床分期一致性（QWK 0.549）上表现最佳。

Comments 18 pages. Submitted to journal for review

Improving PET/CT-Based Whole-Body Lesion Segmentation Using Prediction Uncertainty-Augmented Models

利用预测不确定性增强模型改进PET/CT全身病灶分割

Bashirul Azam Biswas, Biratal Raj Wagle, Zhihan Yang, Marc A. Seltzer, Matthew E. Maeder, James B. Yu, Indrani Bhattacharya

机构 * Department of Biomedical Data Science（生物医学数据科学系） ； Geisel School of Medicine at Dartmouth（达特茅斯大学盖西尔医学院） ； Dartmouth Hitchcock Medical Center（达特茅斯希思科特医疗中心） 纠错

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

AI总结 提出一种不确定性感知框架，结合贝叶斯集成、体素不确定性量化与不确定性增强训练，提升PET/CT全身病灶分割的鲁棒性和病灶检测能力，在AutoPET-III和Deep-PSMA数据集上验证。

Comments 32 pages, 10 figures, 5 tables