Knee Cartilage Segmentation Using Diffusion-Weighted MRI
专题命中 医学影像 ：MRI(title,abstract)；diagnosis(abstract)；分类 cs.CV、q-bio、eess.IV
Comments Accepted to Medical Imaging Meets NeurIPS 2019
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 22709 篇
Knowledge-based Analysis for Mortality Prediction from CT Images
专题命中 医学影像 ：CT(title,abstract)；diagnosis(abstract)；biomedical(comments,journal_ref)；分类 cs.CV
Comments Accepted for publication in IEEE Journal of Biomedical and Health Informatics (JBHI)
Journal ref IEEE Journal of Biomedical and Health Informatics, 2019
Dental pathology detection in 3D cone-beam CT
专题命中 医学影像 ：CT(title)；pathology(title)；分类 cs.CV
maskSLIC: Regional Superpixel Generation with Application to Local Pathology Characterisation in Medical Images
专题命中 医学影像 ：medical image(title)；pathology(title)；分类 cs.CV
Comments The article has been submitted to IEEE TPAMI
Adaptive Local Window for Level Set Segmentation of CT and MRI Liver Lesions
专题命中 医学影像 ：MRI(title)；CT(title)；分类 cs.CV
Comments 24 pages, 11 figures, 3 tables
U-Net: Convolutional Networks for Biomedical Image Segmentation
专题命中 医学影像 ：medical image(title)；biomedical(title)；分类 cs.CV
Comments conditionally accepted at MICCAI 2015
An Automatic Seeded Region Growing for 2D Biomedical Image Segmentation
专题命中 医学影像 ：medical image(title)；biomedical(title)；分类 cs.CV
Comments appears in Proceedings of International Conference on Environment and Bio-Science 2011. subset of arXiv:1407.3664
Adaptive Mesh Representation and Restoration of Biomedical Images
专题命中 医学影像 ：medical image(title)；biomedical(title)；分类 cs.CV
ReclAIm: A Multi-Agent Framework for Monitoring and Correcting Performance Decline in Medical Imaging AI
ReclAIm：用于监测和纠正医学影像AI性能下降的多智能体框架
机构 * Artificial Intelligence and Translational Imaging (ATI) Lab, Department of Radiology, School of Medicine, University of Crete（人工智能与转化成像实验室，放射科，医学院，希腊克里特大学） ； Computational Biomedicine Laboratory, Institute of Computer Science Foundation for Research and Technology Hellas (ICS - FORTH), Heraklion, Crete, Greece（计算生物医学实验室，希腊基础研究与技术院计算机科学研究所（ICS - FORTH），克里特，希腊） ； Division of Radiology, Department of Clinical Science, Intervention and Technology (CLINTEC), Karolinska Institute, Huddinge, Sweden（放射科，临床科学、干预与技术部（CLINTEC），卡罗林斯卡研究所，瑞典Huddinge）
专题命中 医学影像 ：MRI(abstract,abstract_cn)；CT(abstract,abstract_cn)；medical image(abstract)；radiology(comments)
AI总结 提出基于大语言模型的多智能体框架ReclAIm，通过自然语言交互自动监测医学图像分类模型性能下降并触发微调，采用数据增强、类别不平衡处理和参数锚定正则化策略，在多个数据集上验证了有效性。
Comments Published in Radiology: Artificial Intelligence (https://doi.org/10.1148/ryai.250923)
Towards Segmenting the Invisible: An End-to-End Registration and Segmentation Framework for Weakly Supervised Tumour Analysis
朝着不可见的分割迈进：一种端到端的配准和分割框架用于弱监督肿瘤分析
机构 * Institute of Technical ； Business Information Systems, Faculty of Computer Science, Otto von Guericke University Magdeburg, Magdeburg, Germany Human Technopole, Milan, Italy Institute of Medical Engineering, Faculty of Electrical Engineering ； Information Technology, Otto von Guericke University Magdeburg, Magdeburg, Germany Centre for Behavioural Brain Sciences, Magdeburg, Germany
专题命中 医学影像 ：medical image(abstract)；MRI(abstract)；CT(abstract)；pathology(abstract)
AI总结 本文提出一种端到端配准和分割框架，用于弱监督肿瘤分析，通过跨模态配准生成伪标签，但发现无法有效分割不可见病理学。
Comments Accepted for AIBio at ECAI 2025
Journal ref Artificial Intelligence for Biomedical Data, AIBIO 2025, CCIS 2696, pp 229-242, 2026
Comprehensive Validation of Automated Whole Body Skeletal Muscle, Adipose Tissue, and Bone Segmentation from 3D CT images for Body Composition Analysis: Towards Extended Body Composition
专题命中 医学影像 ：CT(title,abstract)；MRI(abstract)；分类 cs.CV、q-bio
Comments This paper is based on concepts presented at the NIH Body Composition and Cancer Outcomes Research Webinar Series on December 17th, 2020 by Mirza Faisal Beg titled "Automating Body Composition from Routinely Acquired CT images - towards 3D measurements". The talk is archived [here](https://epi.grants.cancer.gov/events/body-composition/#past)
CRS-Bench: A Reference-Relative Reliability Benchmark for Medical Image Encoders
CRS-Bench：面向医学图像编码器的参考相对可靠性基准
专题命中 医学影像 ：medical image(title,abstract)；radiology(abstract)；分类 cs.CV、eess.IV
AI总结 本研究提出CRS-Bench基准，通过评估15个预训练医学图像编码器的多轴可靠性，结合临床可靠性评分，发现部分编码器排序与AUROC结果反转，确定PanDerm等为稳定领先层级，为医学编码器选择提供更全面框架。
Comments 10 pages, 7 figures. Submitted to WACV 2027
CoM$^3$eT: A foundation model for medical image analysis through federated, multidimensional context integration
CoM³eT：通过联邦多维上下文集成实现医学图像分析的基础模型
机构 * Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学MEVIS研究所） ； RWTH Aachen University（亚琛工业大学） ； Medizinische Hochschule Hannover（汉诺威医学院） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院） ； Charité – Universitätsmedizin Berlin（柏林夏里特医学院） ； Freie Universität Berlin（柏林自由大学） ； Humboldt-Universität zu Berlin（柏林洪堡大学）
专题命中 医学影像 ：medical image(title)；pathology(abstract)；radiology(abstract)；分类 cs.CV、cs.LG
AI总结 CoM³eT是统一多专科、多预测类型及多维度输入的医学视觉基础模型，在公开竞赛中表现优于同类模型，仅微调少量参数即可适配多临床任务，联邦学习场景下性能接近聚合数据训练。
Physics-Informed Implicit Neural Representations for Improved Myocardial Perfusion MRI Quantification
用于改进心肌灌注MRI定量的物理信息隐式神经表示
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.LG、eess.IV
AI总结 该研究将物理信息神经网络（PINN）框架扩展加入时空隐式神经表示（INRs），在真实模拟CMR数据集上提升了心肌灌注参数估计的鲁棒性与准确性。
Comments Accepted at the STACOM workshop at MICCAI, Strasbourg 2026
RadPRISM: Schema-stratified radiology-report supervision for concept-disentangled image representations and visual grounding
RadPRISM：用于概念解耦图像表示与视觉定位的模式分层放射学报告监督方法
机构 * Technical University of Munich (TUM)（慕尼黑工业大学（TUM）） ； TUM University Hospital（慕尼黑工业大学医院） ； Technical University of Munich, School of Medicine and Health（慕尼黑工业大学医学与健康学院） ； Klinikum rechts der Isar（右伊萨尔医院） ； Charité – Universitätsmedizin Berlin（柏林夏里特医学院） ； Freie Universität Berlin（柏林自由大学） ； Humboldt Universität zu Berlin（柏林洪堡大学） ； Imperial College London（伦敦帝国理工学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） ； University Hospital Essen (AöR)（埃森大学医院（AöR）） ； Institute for Artificial Intelligence in Medicine (IKIM)（医学人工智能研究所（IKIM）） ； Institute of Interventional and Diagnostic Radiology and Neuroradiology（介入与诊断放射学及神经放射学研究所） ； National Center for Tumor Diseases West（西部肿瘤疾病国家中心）
专题命中 医学影像 ：radiology(title,abstract)；medical image(abstract)；分类 cs.CV、cs.LG
AI总结 RadPRISM将放射学模式作为分层轴，通过专用视觉子空间对齐临床概念，提升零样本分类与视觉定位性能，实现可透明检查的概念解耦医学图像表示。
TRAECR: A Tool for Preprocessing Positron Emission Tomography Imaging for Statistical Modeling
TRAECR：一种用于正电子发射断层扫描成像预处理以进行统计建模的工具
专题命中 医学影像 ：MRI(summary_cn,abstract)；diagnosis(abstract)；分类 q-bio
AI总结 本文针对PET成像统计建模，为统计学家提供背景与工具，介绍了TRAECR工具，包括模板配准、MRI-PET共配准等功能，可促进PET成像数据预处理，助力相关统计分析。
Secure-by-Disguise: A Systematic Evaluation of Image Disguising for Confidential Medical Image Modeling
通过伪装实现安全：对用于机密医学图像建模的图像伪装的系统评估
专题命中 医学影像 ：medical image(title,abstract)；medical AI(abstract)；分类 cs.CV、cs.LG
AI总结 研究针对医学图像外包建模的隐私问题，建立统一框架评估DisguisedNets和NeuraCrypt等方法，分析其在多数据集上的预测效用、效率及抗攻击鲁棒性，发现图像伪装性能因任务而异，RMT平衡最佳，为医学AI应用中PET适用性提供评估。
Phi-SegNet: Phase-Integrated Supervision for Medical Image Segmentation
Phi-SegNet：用于医学图像分割的相位集成监督
机构 * mHealth Lab, Department of Biomedical Engineering, Bangladesh University of Engineering and Technology（孟加拉工程与技术大学生物医学工程系mHealth实验室） ； Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系） ； Center for Bioengineering Innovation and Design, Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物工程创新与设计中心，生物医学工程系）
专题命中 医学影像 ：medical image(title,abstract)；MRI(abstract)；分类 cs.CV、eess.IV
AI总结 研究针对医学图像分割跨模态泛化难问题，提出Phi-SegNet架构，在架构和优化层面融入相位感知信息，含双特征掩码模块与逆傅里叶注意力块，经实验取得优异性能，为泛化分割框架发展提供新思路。
Comments 13 pages, 9 figures
Learning from Acquisition: Metadata-driven Multimodal Pre-training for Cardiac MRI
从采集信息中学习：基于元数据驱动的心脏MRI多模态预训练
机构 * Department of Surgery & Cancer（外科与癌症系） ； Bioengineering Department and Imperial-X（生物工程系和Imperial-X） ； National Heart and Lung Institute（国家心脏和肺研究所） ； Cardiovascular Research Centre（心血管研究中心） ； School of Biomedical Engineering & Imaging Sciences（生物医学工程与成像科学学院）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV、eess.IV
AI总结 提出MetaCLIP-CMR框架，将采集元数据转化为文本监督进行对比学习，在分类和分割任务上优于ImageNet和掩码重建初始化，且仅需不到1%的预训练图像量即可达到与大规模模型相当的性能。
Comments 11 pages, 3 figures, 3 tables
One-Shot Data Selection for Medical Image Classification via Graph Coverage
基于图覆盖的医学图像分类一次性数据选择
机构 * United Arab Emirates University（阿拉伯联合酋长国大学） ； KU Leuven（鲁汶大学）
专题命中 医学影像 ：medical image(title,abstract)；radiology(abstract)；分类 cs.CV、cs.LG
AI总结 提出一种基于图的一次性数据选择方法，利用预训练编码器的k近邻图构建热扩散核，通过贪婪设施位置选择最大化数据流形覆盖的子集，在五个MedMNIST数据集上优于基线方法。
Comments Accepted at MICCAI 2026
A Plug-and-Play Method for Guided Multi-contrast MRI Reconstruction based on Content/Style Modeling
基于内容/风格建模的即插即用式引导多对比度MRI重建方法
机构 * University of Amsterdam（阿姆斯特丹大学） ； Erasmus University Rotterdam（埃因霍温理工大学） ； Erasmus University Medical Center（埃因霍温医学院） ； University of Utrecht（乌得勒支大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV、eess.IV
AI总结 提出一种无需k空间训练数据的模块化即插即用方法PnP-CoSMo，通过内容/风格解耦利用参考扫描引导欠采样对比度重建，在公共和内部数据集上达到或超越端到端方法，并实现更高加速比。
NL-MambaXCT: Self-Supervised Nested-Learning Mamba for Nomex Honeycomb X-ray CT Defect Classification
NL-MambaXCT：用于Nomex蜂窝X射线CT缺陷分类的自监督嵌套学习Mamba
机构 * Aurak Academy of Arts and Sciences（阿劳克艺术与科学学院） ； Machine Intelligence Institute（人工智能研究所） ； University of Waterloo（滑铁卢大学）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV、eess.IV
AI总结 提出NL-MambaXCT框架，结合自监督掩码图像建模和嵌套学习，实现Nomex蜂窝XCT缺陷的高效分类，在测试集上达到96.91%准确率。
Med-URWKV†: Toward Enhanced Pretrained Pure VRWKV Models for Medical Image Segmentation
Med-URWKV†：面向医学图像分割的增强型预训练纯VRWKV模型
机构 * College of Computer Science, Nankai University（南开大学计算机科学学院） ； Key Laboratory of Data and Intelligent System Security, Ministry of Education（教育部数据与智能系统安全重点实验室） ； School of Medicine, Nankai University（南开大学医学院） ； Nankai University Eye institute, Nankai University（南开大学眼科研究院） ； Tianjn Eye Hospital（天津眼科医院） ； Haihe Lab of ITAI（海河ITAI实验室）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV、eess.IV
AI总结 本文提出Med-URWKV模型，通过重用预训练VRWKV编码器并设计FAWA和MSCF模块，在五个数据集上达到SOTA性能，其中Med-URWKV†以半参数实现最高平均Dice 88.00%。
Comments Under Review Since 2026-1-22, 12 pages. Copyright: College of Computer Science, Nankai University. All rights reserved
A Context-Aware Middleware for Medical Image Based Reports: An approach based on image feature extraction and association rules
基于医学图像报告的情境感知中间件：一种基于图像特征提取和关联规则的方法
机构 * Department of Computer Science（计算机科学系） ； Departament of Mathematics & Statistics（数学与统计学系） ； Universidade Federal Fluminense（联邦Fluminense大学） ； York University（约克大学）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV、cs.LG
AI总结 提出一种情境感知中间件，通过图像特征提取和关联规则，自动将医学图像分派给最合适的医疗人员，以提高医疗工作流程效率。
Journal ref 2015 IEEE/ACS 12th International Conference of Computer Systems and Applications (AICCSA)
Entropy-Guided Self-Supervised Learning for Medical Image Classification
熵引导的自监督学习用于医学图像分类
机构 * Institute of Mathematics, Statistics and Scientific Computing（数学、统计与科学计算研究所） ； Department of Applied Mathematics, University of Campinas（应用数学系，坎皮纳斯大学）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV、eess.IV
AI总结 本文提出了一种结合自监督学习和迁移学习的深度学习框架，通过使用熵引导的掩码自动编码器和ImageNet预训练模型，提升医学图像分类的性能和鲁棒性。
Flow Matching with Optimized Subclass Priors for Medical Image Augmentation
利用优化子类先验的流匹配用于医学图像增强
机构 * Department of Artificial Intelligence in Biomedical Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg, 91052 Erlangen, Germany（生物医学工程人工智能系，弗里德里希-亚历山大-厄林根-纽伦堡大学） ； Department of Computing, Imperial College London, London SW7 2AZ, UK（计算系，帝国理工学院伦敦分校）
专题命中 医学影像 ：medical image(title)；CT(abstract,abstract_cn)；分类 cs.CV、eess.IV
AI总结 本文提出通过优化子类先验来提升医学图像增强中罕见疾病的生成质量，通过生成模型的潜在空间进行子类模式划分，并学习子类条件源分布以提高生成效果和多样性。
Comments 11 pages, 3 figures, 7 tables
Layer Selection in Feature-Based Losses Affects Image Quality and Microstructural Consistency in Deep Learning Super-Resolution of Brain Diffusion MRI
基于特征的损失函数中层选择影响深度学习超分辨率中图像质量及微结构一致性
机构 * Institue for Applied Medical Informatics, University Medical Center Hamburg-Eppendorf（应用医学信息学研究所，汉堡大学医学中心） ； Institute of Computational Neuroscience, University Medical Center Hamburg-Eppendorf（计算神经科学研究所，汉堡大学医学中心） ； Center for Biomedical Artificial Intelligence (bAIome), University Medical Center Hamburg-Eppendorf（生物医学人工智能中心（bAIome），汉堡大学医学中心）
专题命中 医学影像 ：MRI(title,abstract)；分类 cs.CV、eess.IV
AI总结 本研究探讨了基于特征的损失函数在深度学习超分辨率中对扩散信号一致性的影响，发现深层网络层会导致网格状伪影，而浅层网络层能保持图像与地面真实的一致性，尤其在9倍超分辨率下表现优异。
Potential and challenges of generative adversarial networks for super-resolution in 4D Flow MRI
生成对抗网络在4D流体磁共振成像超分辨率中的潜力与挑战
机构 * Surgery, Karolinska Institutet , addressline= Karolinska Universitetssjukhuset Solna (L1:00) , city= Stockholm , postcode= 171 76 , country= Sweden ； organization= FLOW, Engineering Mechanics, KTH Royal Institute of Technology , addressline= Osquars Backe 18 , city= Stockholm , postcode= 100 44 , country= Sweden ； organization= Department of Radiology ； Biomedical Imaging, University of California San Francisco , addressline= 505 Parnassus Avenue , city= San Francisco , postcode= 94143 , state= CA , country= USA ； organization= Faculty of Informatics, Telkom University , addressline= Jl.Telekomunikasi No. 1, Terusan Buahbatu , city= Bandung , postcode= 40257 , state= West Java , country= Indonesia ； organization= Auckland Bioengineering Institute, University of Auckland , addressline= Bioengineering House, 70 Symonds St , city= Grafton , postcode= 1010 , country= New Zealand ； organization= School of Biomedical Engineering \& Imaging Sciences, King's College London , addressline= 1 Lambeth Palace Rd, South Bank , city= London , postcode= SE1 7EU , country= UK ； organization= Department of Biomedical Engineering, University of Michigan , addressline= 1107 Carl A. Gerstacker Bldg 2200 Bonisteel Blvd. , city= Ann Arbor , postcode= 48109-2099 , state= MI , country= USA ； organization= Department of Physics, University of Greifswald , addressline= Felix-Hausdorff-Str. 6 , city= Greifswald , postcode= 174 89 , country= Germany ； organization= Department of Aerospace Engineering, University of Michigan , addressline= 1320 Beal Avenue , city= Ann Arbor , postcode= 48109-2140 , state= MI , country= USA ； organization= Department of Neuroradiology, Karolinska University Hospital , addressline= Hälsovägen 13, O42 , city= Stockholm , postcode= 141 86 , country= Sweden ； organization= Department of Clinical Physiology, Karolinska University Hospital , addressline= Eugeniavägen 3, A8:01 , city= Solna , postcode= 171 64 , country= Sweden ； organization= Institute for Medical Engineering ； Science, Massachusetts Institute of Technology , addressline= 45 Carleton St , city= Cambridge , postcode= 02142 , state= MA , country= USA
专题命中 医学影像 ：MRI(title,abstract)；分类 cs.LG、eess.IV
AI总结 本文研究了生成对抗网络在4D流体磁共振成像超分辨率中的应用，通过对比不同对抗损失函数，发现Wasserstein GAN在稳定性和性能上表现最佳，提升了近壁速度恢复效果。
Comments 26 pages, 10 figures
Journal ref Computers in Biology and Medicine 211 (2026) 111745
Component-Adaptive and Lesion-Level Supervision for Improved Small Structure Segmentation in Brain MRI
组件自适应与病变级监督用于改善脑MRI中的小结构分割
机构 * The Artificial Intelligence Research Center of Novosibirsk State University（新西伯利亚国立大学人工智能研究中心）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV、cs.LG
AI总结 本文提出CATMIL统一目标函数，结合组件自适应Tversky损失和多实例学习，提升小病变分割的准确性与检测能力，实验显示其在Dice分数和边界误差上优于传统方法，尤其提升小病变召回率。
Comments This version includes additional false-negative and false-positive error analysis in the Results
Post-Processing Methods for Improving Accuracy in MRI Inpainting
改进MRI修复精度的后处理方法
机构 * CIBER-BBN, ISCIII（生物工程、生物材料与纳米医学网络研究中心，卡洛斯三世健康研究所）
专题命中 医学影像 ：MRI(title,abstract)；diagnosis(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出结合模型集成与高效后处理策略的MRI修复方法，通过轻量U-Net增强阶段提升解剖合理性与视觉保真度，实现更准确且鲁棒的修复结果。
