医学 AI

Leveraging Image Editing Foundation Models for Data-Efficient CT Metal Artifact Reduction

利用图像编辑基础模型实现数据高效的CT金属伪影减少

Ahmet Rasim Emirdagi, Süleyman Aslan, Mısra Yavuz, Görkay Aydemir, Yunus Bilge Kurt, Nasrin Rahimi, Burak Can Biner, M. Akın Yılmaz

机构 * Codeway AI Research（Codeway AI 研究院） 纠错

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

AI总结 本文提出利用视觉语言扩散基础模型进行金属伪影减少，通过参数高效低秩适应技术，仅需16-128对训练样本即可实现高效伪影抑制，并证明领域适应对减少幻觉至关重要。

Comments Accepted to CVPRW 2026 Med-Reasoner

Curia-2: Scaling Self-Supervised Learning for Radiology Foundation Models

Curia-2：用于放射学基础模型的自监督学习扩展

Antoine Saporta, Baptiste Callard, Corentin Dancette, Julien Khlaut, Charles Corbière, Leo Butsanets, Amaury Prat, Pierre Manceron

机构 * Raidium ； Department of Vascular and Oncological Interventional Radiology, Hôpital Européen Georges Pompidou, AP-HP, Paris, France（巴黎欧洲乔治·蓬皮杜医院血管与肿瘤介入放射科，AP-HP） ； Faculté de Santé, Université Paris-Cité, Paris, France（巴黎西岱大学健康学院） 纠错

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

AI总结 Curia-2通过改进预训练策略和表征质量，提升了放射学数据的捕捉能力，首次实现了多模态CT和MRI基础模型的亿参数视觉变换器架构，并在两个新评估轨道中验证了其性能。

DuSCN-FusionNet: An Interpretable Dual-Channel Structural Covariance Fusion Framework for ADHD Classification Using Structural MRI

DuSCN-FusionNet：一种用于ADHD分类的可解释双通道结构协方差融合框架（基于结构性MRI）

Qurat Ul Ain, Alptekin Temizel, Soyiba Jawed

机构 * National University of Sciences and Technology（国立科技大学） ； Middle East Technical University（中东技术大学） 纠错

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DuSCN-FusionNet，通过双通道结构协方差网络捕捉区域间形态关系，结合强度和异质性描述符，利用晚阶段融合提升性能，在ADHD-200数据集上达到80.59%的平衡准确率和0.778的AUC。

Comments 5 pages, 5 figures

Cycle Inverse-Consistent TransMorph: A Balanced Deep Learning Framework for Brain MRI Registration

循环逆一致TransMorph：一种用于脑部MRI配准的平衡深度学习框架

Jiaqi Shang, Haojin Wu, Yinyi Lai, Zongyu Li, Chenghao Zhang, Jia Guo

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

AI总结 本文提出一种基于Transformer的框架，通过双向一致性约束提升脑MRI变形配准的精度与稳定性，实验表明其在多个指标上表现优异。

From Explanations to Architecture: Explainability-Driven CNN Refinement for Brain Tumor Classification in MRI

从解释到架构：基于可解释性的CNN细化用于MRI中脑肿瘤分类

Rajan Das Gupta, Md Imrul Hasan Showmick, Lei Wei, Mushfiqur Rahman Abir, Shanjida Akter, Md. Yeasin Rahat, Md. Jakir Hossen

机构 * American International Brac University Faculty of Psychology University-Bangladesh（美国国际布拉大学心理学学院（孟加拉国）） ； Shinawatra University Department of Computer Science（辛纳瓦特大学计算机科学系） ； American International North South University（美国国际北南大学） ； American International University–Bangladesh Department of Computer Science（美国国际大学–孟加拉国计算机科学系） ； Multimedia University Department of Computer Science（多媒体大学计算机科学系） 纠错

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

AI总结 本文提出一种可解释性驱动的CNN框架，通过Grad-CAM量化层间相关性以去除低贡献层，提升模型透明度并保持分类精度，实验证明在多类脑MRI数据集上达到高准确率，支持更可信的脑肿瘤分类。

Comments This is the preprint version of the manuscript. It is currently being prepared for submission to an academic conference

TuLaBM: Tumor-Biased Latent Bridge Matching for Contrast-Enhanced MRI Synthesis

TuLaBM：肿瘤偏置潜在桥匹配用于增强MRI合成

Atharva Rege, Adinath Madhavrao Dukre, Numan Balci, Dwarikanath Mahapatra, Imran Razzak

机构 * MBZUAI ； National Institute of Technology Karnataka（国家理工学院卡纳塔） ； Cleveland Clinic Abu Dhabi（克利夫兰诊所阿布扎赫） ； Khalifa University（卡里玛大学） 纠错

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

AI总结 本文提出TuLaBM，通过在学习的潜在空间中将非对比MRI转换为增强MRI视为布朗桥传输，提升效率和肿瘤区域保真度，实验显示在BraTS2023-GLI和克利夫兰诊所肝脏MRI数据集上表现优异。

A Novel Framework using Intuitionistic Fuzzy Logic with U-Net and U-Net++ Architecture: A case Study of MRI Bain Image Segmentation

一种利用直觉模糊逻辑与U-Net和U-Net++架构的新型框架：MRI脑图像分割的案例研究

Hanuman Verma, Kiho Im, Akshansh Gupta, M. Tanveer

机构 * Department of Mathematics, Bareilly College, Bareilly (MJP Rohilkhand University), Uttar Pradesh, 243005, India（巴里利学院数学系，巴里利（MJP罗希兰德大学），乌塔尔普拉德什，243005，印度） ； Fetal Neonatal Neuroimaging and Developmental Science Center, Boston Children’s Hospital, Harvard Medical School, Boston, MA 02115, USA and Division of Newborn Medicine, Boston Children’s Hospital, Harvard Medical School, Boston, MA 02115, USA also with Department of Pediatrics, Harvard Medical School, Boston, MA, USA（波士顿儿童医院胎儿和新生儿神经影像与发育科学中心，哈佛医学院，波士顿，马萨诸塞州02115，美国；波士顿儿童医院新生儿医学科，哈佛医学院，波士顿，马萨诸塞州02115，美国；也与哈佛医学院儿科系，波士顿，马萨诸塞州，美国） ； National Institute of Science Communication and Policy Research, New Delhi, 110012, India（国家科学传播与政策研究所，新德里，110012，印度） ； Department of Mathematics, Indian Institute of Technology Indore, Indore (M.P.)-453552, India（印度理工学院印度尔数学系，印度尔（马哈拉施特拉邦）-453552，印度） 纠错

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

AI总结 本文提出一种结合直觉模糊逻辑的U-Net和U-Net++框架，用于提高MRI脑图像分割的准确性，通过处理图像中的不确定性提升分割性能。

Comments 13 pages, 8 figures

Clinical Priors Guided Lung Disease Detection in 3D CT Scans

基于临床先验的3D CT扫描肺部疾病检测

Kejin Lu, Jianfa Bai, Qingqiu Li, Runtian Yuan, Jilan Xu, Junlin Hou, Yuejie Zhang, Rui Feng

机构 * College of Computer Science and Artificial Intelligence, Shanghai Key Laboratory of Intelligent Information Processing, Fudan University（计算机科学与人工智能学院，上海智能信息处理重点实验室，复旦大学） ； University of Oxford（牛津大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 本文提出一种考虑性别因素的两阶段肺部疾病分类框架，通过性别分类器和性别特异性疾病分类器提升少数类疾病识别性能，尤其在鳞状细胞癌上表现突出。

Brain Tumor Classification from 3D MRI Using Persistent Homology and Betti Features: A Topological Data Analysis Approach on BraTS2020

基于持久同调和Betti特征的3D MRI脑肿瘤分类：一种拓扑数据分析方法用于BraTS2020

Faisal Ahmed

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

AI总结 本文提出利用拓扑数据分析方法，通过持久同调提取Betti特征，对3D MRI图像进行脑肿瘤分类，实验显示随机森林结合Betti特征在BraTS2020数据集上达到89.19%的准确率。

Comments 21 pages, 7 figures

LightMedSeg: Lightweight 3D Medical Image Segmentation with Learned Spatial Anchors

LightMedSeg: 轻量级3D医学图像分割与学习空间锚点

Kavyansh Tyagi, Vishwas Rathi, Puneet Goyal

机构 * National Institute of Technology Kurukshetra（克什米尔国家理工学院） ； Indian Institute of Technology Ropar（罗帕尔印度理工学院） 纠错

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

AI总结 LightMedSeg通过整合解剖学先验与自适应上下文建模，实现了轻量级3D医学图像分割，以高效且准确的方式替代传统变换器方法。

Comments 8 pages, X figures. Submitted to CVPRW ECV 2026

Texture-Aware StarGAN for CT data harmonisation

具有纹理意识的StarGAN用于CT数据和谐化

Francesco Di Feola, Ludovica Pompilio, Cecilia Assolito, Valerio Guarrasi, Paolo Soda

机构 * Research Unit of Computer Systems and Bioinformatics, Campus Bio-Medico University of Rome, Rome, Italy（计算机系统与生物信息学研究单位，罗马生物医学大学） ； Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University, Sweden（诊断与介入部门，辐射物理，生物医学工程，乌梅大学） ； La Sapienza University of Rome（罗马拉维亚大学） 纠错

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

AI总结 本文提出一种具有纹理意识的StarGAN模型，用于CT数据和谐化，通过多尺度纹理损失函数解决不同重建内核引起的纹理变化问题。

CT Synthesis with Conditional Diffusion Models for Abdominal Lymph Node Segmentation

基于条件扩散模型的CT合成用于腹部淋巴结分割

Yongrui Yu, Hanyu Chen, Zitian Zhang, Qiong Xiao, Wenhui Lei, Linrui Dai, Yu Fu, Hui Tan, Guan Wang, Peng Gao, Xiaofan Zhang

机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； Department of Surgical Oncology and General Surgery, Key Laboratory of Precision Diagnosis and Treatment of Gastrointestinal Tumors, Ministry of Education, The First Hospital of China Medical University, Shenyang, China（外科肿瘤科和普通外科，精准诊断与治疗胃肠肿瘤国家重点实验室，教育部，中国医科大学第一附属医院，沈阳，中国） ； Department of Radiology, The First Hospital of China Medical University, Shenyang, China（放射科，中国医科大学第一附属医院，沈阳，中国） ； Shanghai AI Laboratory, Shanghai, China（上海人工智能实验室，上海，中国） 纠错

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

AI总结 本文提出LN-DDPM模型，通过条件扩散模型生成腹部淋巴结数据，提升分割性能。

Vision Transformer for Intracranial Hemorrhage Classification in CT Scans Using an Entropy-Aware Fuzzy Integral Strategy for Adaptive Scan-Level Decision Fusion

基于熵感知模糊积分策略的视觉Transformer用于CT扫描中脑内出血分类

Mehdi Hosseini Chagahi, Md. Jalil Piran, Niloufar Delfan, Behzad Moshiri, Jaber Hatam Parikhan

机构 * School of Electrical and Computer Engineering, College of Engineering, University of Tehran（塔里斯坦大学电气与计算机工程学院） ； Department of Computer Science and Engineering, Sejong University（世宗大学计算机科学与工程系） 纠错

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

AI总结 本文提出一种基于视觉Transformer和熵感知模糊积分策略的模型，用于CT扫描中脑内出血的高效分类。

Exploring Adversarial Watermarking in Transformer-Based Models: Transferability and Robustness Against Defense Mechanism for Medical Images

探索基于变换器模型的对抗水印：医疗图像中的可转移性和对抗防御机制的鲁棒性

Rifat Sadik, Tanvir Rahman, Arpan Bhattacharjee, Bikash Chandra Halder, Ismail Hossain, Mridul Banik, Jia Uddin

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

AI总结 本文研究了基于变换器模型的医疗图像对抗水印的可转移性和对抗防御机制的鲁棒性，发现ViTs在对抗攻击下准确率显著下降，但对抗训练可有效提升其鲁棒性。

Decipher-MR: A Vision-Language Foundation Model for 3D MRI Representations

Decipher-MR：一种用于3D MRI表示的视觉-语言基础模型

Zhijian Yang, Noel DSouza, Istvan Megyeri, Xiaojian Xu, Amin Honarmandi Shandiz, Farzin Haddadpour, Krisztian Koos, Laszlo Rusko, Emanuele Valeriano, Bharadwaj Swaninathan, Lei Wu, Parminder Bhatia, Taha Kass-Hout, Erhan Bas

机构 * GE Healthcare（通用电气医疗） 纠错

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

AI总结 Decipher-MR是一种专门针对3D MRI的视觉-语言基础模型，通过自监督学习和报告引导的文本监督，实现对多种医学任务的高效支持。

Hybrid Topological and Deep Feature Fusion for Accurate MRI-Based Alzheimer's Disease Severity Classification

混合拓扑与深度特征融合用于准确的基于MRI的阿尔茨海默病严重程度分类

Faisal Ahmed

机构 * Department of Data Science and Mathematics（数据科学与数学系） 纠错

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

AI总结 本文提出融合拓扑分析与深度学习的混合框架，用于高精度的MRI阿尔茨海默病严重程度分类。

Comments 20 pages, 6 Figures

DAUNet: A Lightweight UNet Variant with Deformable Convolutions and Parameter-Free Attention for Medical Image Segmentation

DAUNet: 一种轻量级UNet变体，结合可变形卷积和无参数注意力机制用于医学图像分割

Adnan Munir, Muhammad Shahid Jabbar, Shujaat Khan

机构 * Department of Electrical Engineering (ISY), Information Coding (ICG), Linköping University（电气工程系（ISY）、信息编码系（ICG）、利厄普大学） ； SDAIA-KFUPM Joint Research Center for Artificial Intelligence, King Fahd University of Petroleum & Minerals（SDAIA-KFUPM人工智能联合研究中心、国王法赫德石油大学） ； Department of Computer Engineering, College of Computing and Mathematics, King Fahd University of Petroleum & Minerals（计算机工程系、计算与数学学院、国王法赫德石油大学） 纠错

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

AI总结 DAUNet通过结合可变形卷积和无参数注意力机制，提升医学图像分割的精度与效率，适用于资源受限的临床环境。

Comments 13 pages, 7 figures

From Volumes to Slices: Computationally Efficient Contrastive Learning for Sequential Abdominal CT Analysis

从体积到切片：用于序列腹部CT分析的计算高效对比学习

Po-Kai Chiu, Hung-Hsuan Chen

机构 * Computer Science & Information Engineering National Central University（计算机科学与信息工程国家中央大学） 纠错

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

AI总结 2D-VoCo通过高效对比学习提升腹部CT多器官损伤分类性能，减少对标注数据的依赖。

Partial Decoder Attention Network with Contour-weighted Loss Function for Data-Imbalance Medical Image Segmentation

具有轮廓加权损失函数的部分解码器网络用于数据不平衡医学图像分割

Zhengyong Huang, Ning Jiang, Xingwen Sun, Lihua Zhang, Peng Chen, Jens Domke, Yao Sui

机构 * Institute of Medical Technology, Peking University Health Science Center, Peking University, Beijing, China（北京大学医学部医学技术研究所） ； National Institute of Health Data Science, Peking University, Beijing, China（北京大学国家健康数据科学研究院） ； Department of Radiology, Peking University Third Hospital, Beijing, China（北京大学第三医院放射科） ； RIKEN Center for Computational Science (R-CCS), Kobe, Japan（日本京都大学RIKEN计算科学中心） ； National Institute of Health Data Science, Peking University, the Institute of Medical Technology, Peking University Health Science Center, and the Institute for Artificial Intelligence, Peking University, Beijing, China（北京大学国家健康数据科学研究院、北京大学医学部医学技术研究所以及北京大学人工智能研究所） 纠错

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

AI总结 PDANet通过轮廓加权损失函数提升小结构分割性能，优于九种现有方法，提高Dice评分2.32%-3.60%。

HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging

HANS-Net：超几何卷积与自适应时间注意力用于准确且可泛化的CT影像肝脏和肿瘤分割

Arefin Ittesafun Abian, Ripon Kumar Debnath, Md. Abdur Rahman, Mohaimenul Azam Khan Raiaan, Md Rafiqul Islam, Asif Karim, Reem E. Mohamed, Sami Azam

机构 * Department of Computer Science and Engineering, United International University（计算机科学与工程系，国际大学） ； Faculty of Science and Technology, Charles Darwin University（科学与技术学院，查尔斯达尔文大学） ； Faculty of Science and Information Technology, Charles Darwin University（科学与信息技术学院，查尔斯达尔文大学） 纠错

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

AI总结 HANS-Net通过超几何卷积、自适应时间注意力和隐式神经表示，实现肝脏和肿瘤分割的高精度与泛化能力。

Comments Manuscript under review in IEEE Transactions on Radiation and Plasma Medical Sciences

Journal ref IEEE Transactions on Radiation and Plasma Medical Sciences (2026)

Exploiting Test-Time Augmentation in Federated Learning for Brain Tumor MRI Classification

在联邦学习中利用测试时增强进行脑肿瘤MRI分类

Thamara Leandra de Deus Melo, Rodrigo Moreira, Larissa Ferreira Rodrigues Moreira, André Ricardo Backes

机构 * Institute of Exact and Technological Sciences, Federal University of Viçosa - UFV, Rio Paranaíba-MG, Brazil（精确与技术科学研究所，弗拉维亚联邦大学-UFV，里奥帕拉纳伊巴-MG，巴西） ； Department of Computing, Federal University of São Carlos, São Carlos-SP, Brazil（计算系，萨o卡洛斯联邦大学，萨o卡洛斯-SP，巴西） 纠错

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

AI总结 本文提出在联邦学习中结合测试时增强和轻量预处理以提升脑肿瘤MRI分类的准确性。

Comments 21st International Conference on Computer Vision Theory and Applications (VISAPP 2026), 9-11 March 2026, Marbella, Spain

Interpretability and Individuality in Knee MRI: Patient-Specific Radiomic Fingerprint with Reconstructed Healthy Personas

膝关节MRI的可解释性与个体性：基于重建健康人格的患者特定放射组学指纹

Yaxi Chen, Simin Ni, Shuai Li, Shaheer U. Saeed, Aleksandra Ivanova, Rikin Hargunani, Jie Huang, Chaozong Liu, Yipeng Hu

机构 * organization= Department of Mechanical Engineering, University College London , city= London , country= UK ； organization= Hawkes Institute, University College London , city= London , country= UK ； organization= Institute of Orthopaedic \& Musculoskeletal Science, University College London, Royal National Orthopaedic Hospital , city= Stanmore , country= UK ； organization= Royal National Orthopaedic Hospital , city= Stanmore , country= UK ； organization= School of Engineering ； Materials Science, Queen Mary University of London , city= London , country= UK ； organization= Centre for Bioengineering, Queen Mary University of London , city= London , country= UK ； organization= Department of Medical Physics ； Biomedical Engineering, University College London , city= London , country= UK 纠错

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

AI总结 本文提出放射组学指纹和健康人格两种方法，用于提升膝关节MRI分析的可解释性和个体性，通过动态特征选择和病理对比实现患者特异性解释。

A Pre-trained Foundation Model Framework for Multiplanar MRI Classification of Extramural Vascular Invasion and Mesorectal Fascia Invasion in Rectal Cancer

一种用于直肠癌外侵血管侵袭和腹膜脂肪囊侵袭的多平面MRI分类的预训练基础模型框架

Yumeng Zhang, Shruti Atul Mali, Danial Khan, Sina Amirrajab, Eduardo Ibor-Crespo, Ana Jimenez-Pastor, Gloria Ribas, Silvia Flor-Arnal, Marta Zerunian, Christophe Aube, Luis Marti-Bonmati, Zohaib Salahuddin, Philippe Lambin

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

AI总结 本研究提出一种基于预训练基础模型的框架，通过频域谐振和多平面融合技术，实现了对直肠癌外侵血管侵袭和腹膜脂肪囊侵袭的自动MRI分类，展示了跨机构的高泛化性能。

Comments 27 pages, 9 figures

RadDiff: Describing Differences in Radiology Image Sets with Natural Language

RadDiff：用自然语言描述放射学图像集的差异

Xiaoxian Shen, Yuhui Zhang, Sahithi Ankireddy, Xiaohan Wang, Maya Varma, Henry Guo, Curtis Langlotz, Serena Yeung-Levy

机构 * Stanford University（斯坦福大学） 纠错

专题命中 医学影像 ：radiology(title,abstract)；medical AI(abstract)；分类 cs.CV、cs.LG

AI总结 RadDiff通过多模态代理系统实现放射学图像集差异的自然语言描述，结合医学知识和多模态推理，在放射学研究配对中取得高准确率，推动临床影像分析的发展。

Lesion Segmentation in FDG-PET/CT Using Swin Transformer U-Net 3D: A Robust Deep Learning Framework

利用Swin Transformer U-Net 3D进行FDG-PET/CT病变分割：一种稳健的深度学习框架

Shovini Guha, Dwaipayan Nandi

机构 * Machine Learning (of Aff.) Institute of Engineering（人工智能与机器学习研究所） 纠错

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

AI总结 本文提出SwinUNet3D框架，结合Transformer与U-Net，实现FDG-PET/CT病变分割，提升分割精度与效率。

Comments 8 pages, 3 figures, 3 tables

Resource-efficient medical image classification for edge devices

边缘设备上的资源高效医疗图像分类

Mahsa Lavaei, Zahra Abadi, Salar Beigzad, Alireza Maleki

机构 * ECE University of Tehran（电子工程系，伊朗德黑兰大学） ； ECE Tehran University（电子工程系，伊朗德黑兰大学） ； Engineering University of St. Thomas, Minnesota（工程系，圣托马斯大学（明尼苏达）） ； Technology Management University of Tehran（技术管理，伊朗德黑兰大学） 纠错

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

AI总结 本研究提出了一种通过模型量化技术实现边缘设备上高效医疗图像分类的方法，有效降低计算和内存需求，同时保持诊断精度。

Comments Conference paper published in ICAMIDA 2025 (IEEE)

Journal ref Proc. Int. Conf. Appl. Mach. Intelligence and Data Analytics (ICAMIDA), IEEE, 2025

Placenta Accreta Spectrum Detection Using an MRI-based Hybrid CNN-Transformer Model

基于MRI的混合CNN-Transformer模型用于胎盘黏连谱检测

Sumaiya Ali, Areej Alhothali, Ohoud Alzamzami, Sameera Albasri, Ahmed Abduljabbar, Muhammad Alwazzan

机构 * Department of Computer Science, Faculty of Computing and Information Technology, King Abdulaziz University（计算机科学系，计算与信息科技学院，国王阿卜杜勒阿齐兹大学） ； Faculty of Medicine, King Abdulaziz University（医学学院，国王阿卜杜勒阿齐兹大学） ； Department of Radiology, King Abdulaziz University Hospital（放射科，国王阿卜杜勒阿齐兹大学医院） 纠错

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

AI总结 本文提出基于MRI的混合CNN-Transformer模型，用于提高胎盘黏连谱检测的准确性和及时性。

Understanding Benefits and Pitfalls of Current Methods for the Segmentation of Undersampled MRI Data

理解当前方法在低采样MRI数据分割中的优缺点

Jan Nikolas Morshuis, Matthias Hein, Christian F. Baumgartner

机构 * University of Tübingen（图宾根大学） ； University of Lucerne（卢塞恩大学） 纠错

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

AI总结 本文首次提出统一基准，比较7种方法在低采样MRI数据分割中的性能，发现简单两阶段方法在分割效果上优于复杂专用方法。

MAISI: Medical AI for Synthetic Imaging

MAISI：医学AI用于合成成像

Pengfei Guo, Can Zhao, Dong Yang, Ziyue Xu, Vishwesh Nath, Yucheng Tang, Benjamin Simon, Mason Belue, Stephanie Harmon, Baris Turkbey, Daguang Xu

机构 * NVIDIA（英伟达公司） ； National Institutes of Health（国家卫生研究院） ； University of Arkansas for Medical Sciences（亚利桑那医学科学大学） 纠错

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

AI总结 MAISI通过扩散模型生成合成CT图像，解决医学影像分析中的数据稀缺和隐私问题，支持灵活的体积维度和体素间距，可应用于多种下游任务。

Comments WACV25 accepted. https://github.com/NVIDIA-Medtech/NV-Generate-CTMR

Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images

用于从MRI图像中分类和分割脑肿瘤的新型深度学习架构

Sayan Das, Arghadip Biswas

机构 * Jadavpur University（贾梵普大学） 纠错

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

AI总结 本文提出两种新型深度学习架构，用于从MRI图像中准确分类和分割脑肿瘤，分别达到99.38%和99.23%的准确率。