科学与医疗
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
用于可靠乳腺超声诊断的空间基础概念瓶颈模型
专题命中 医学影像 ：diagnosis(title,abstract)；healthcare AI(abstract)；分类 cs.CV
AI总结 研究乳腺超声诊断中概念瓶颈模型可信度受监督限制问题，提出空间基础概念瓶颈模型（SG-CBM），利用病变轮廓弱监督，通过导出特定区域训练概念图，经交叉验证等提升诊断指标与概念证据空间对齐，强调数据质量监督设计及可信度验证的必要。
Comments Accepted to the Workshop on Data Quality Aware, High-Performance, and Trustworthy AI Systems for Healthcare at IEEE/ACM CHASE 2026
SIINR：用于临床质量扩散MRI数据集超分辨率及不确定性量化的结构信息隐式神经表示
机构 * Eindhoven University of Technology（埃因霍温理工大学） ； University of South Carolina（南卡罗来纳大学） ； Brigham and Women’s Hospital, Harvard Medical School（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 针对临床dMRI数据集平面外分辨率低的问题，提出SIINR框架，利用监督3D U-net和自监督INR结合，实现超分辨率及不确定性量化，在多数据集和临床病例实验中表现优异，为临床dMRI增强及指标解释提供方法。
Comments 27 pages, 8 figures, 2 tables
学习聚焦：用于医学图像分类的解剖学引导注意力正则化
机构 * University of Virginia（弗吉尼亚大学） ； Ahsanullah University of Science and Technology（阿山努拉科技大学） ； University of Utah（犹他大学）
专题命中 医学影像 ：medical image(title,abstract)；MRI(abstract)；分类 cs.CV
AI总结 针对医学图像分类中标准分类损失缺乏空间监督的问题，提出Locus框架，利用预训练分割基础模型引导分类器关注诊断相关解剖结构，引入正则化项平衡注意力，在多数据集上验证，提升了分类性能和解剖学注意力。
哈里森.Rad 1.5技术报告：一种可根据图像、先验知识和临床背景起草报告的放射学基础模型
专题命中 医学影像 ：radiology(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 研究针对放射科报告积压问题，提出HR1.5多模态大语言模型，通过三阶段训练，用特定评分框架评估，该模型是唯一达模拟FRCR及格标准的系统，在多方面准确率最高，还研究了可解释性等以支持临床应用评估。
超越随机采样：用于半监督医学图像分割的分布感知对齐
机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Department of Ultrasound, Xinhua Hospital Affiliated to Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属新华医院超声科）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 研究针对半监督医学图像分割中随机采样策略在低数据量时表征偏差的问题，提出基于分布对齐的高效框架，用分布感知样本选择策略和记忆引导复制粘贴模块，提升分割性能。
Comments 19 pages, 5 figures, accepted by ECCV 2026
利用图像特征嵌入增强隐式神经表示用于无监督心脏电影磁共振成像重建
机构 * Division of Image Processing, Department of Radiology, Leiden University Medical Center（莱顿大学医学中心放射科图像处理部） ； C.J. Gorter Center, Department of Radiology, Leiden University Medical Center（莱顿大学医学中心放射科C.J. 戈特中心） ； Cardio Vascular Imaging Group, Department of Radiology, Leiden University Medical Center（莱顿大学医学中心放射科心血管成像组） ； Philips Innovative Technologies（飞利浦创新技术公司）
专题命中 医学影像 ：MRI(title,abstract)；分类 cs.CV
AI总结 研究针对心脏电影磁共振成像重建，提出图像域双分支INR框架I-FP-INR，通过引入特征处理分支提取互补特征嵌入增强表示，提升重建质量且具强鲁棒性。
Comments In submission
CPR：用于从粗到精医学图像分类的链式感知细化
机构 * Nanjing University of Posts and Telecommunications（南京邮电大学） ； University of Leicester（莱斯特大学） ； University of Exeter（埃克塞特大学） ； University of Surrey（萨里大学）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 研究针对高分辨率医学图像分析难题，提出CPR框架，将其视为从全局到局部的决策过程，能动态预测细化区域，保持骨干网络输入大小固定，实验表明该方法在精度和效率上表现优异。
轻量级线圈：基于全光数据与电力传输的磁共振成像
专题命中 医学影像 ：MRI(title,abstract)；分类 eess.SP
AI总结 介绍新型轻量级线圈概念，采用全光磁共振接收架构，通过光实现数据传输、前端供电和线圈失谐，可降低布线复杂度，优化相关参数后能匹配传统射频线圈系统信噪比，还展示了多通道阵列应用成果。
Comments Submitted to Nature Communications in Article format
图谱是理想上下文：用于可泛化基础医学图像分割的一次性定制
机构 * Nanjing University（南京大学） ； The Ohio State University（俄亥俄州立大学） ； Stanford University（斯坦福大学）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 研究医学图像中解剖结构分割问题，提出图谱引导框架AtlasSegFM，通过图谱查询配准生成提示，用冻结基础模型细化分割，经自适应融合模块结合图谱先验与模型输入及预测，实现一次性定制。
Comments ECCV 2026
视频分割在3D MRI中的新应用：高效的零样本膝关节分割与SAM2
机构 * Case Western Reserve University（凯斯西储大学） ； Cleveland Clinic（克利夫兰诊所）
专题命中 医学影像 ：MRI(title,abstract)；medical image(abstract)；分类 cs.CV
AI总结 本文提出利用SAM2模型实现零样本3D膝关节MRI分割，通过将医学切片视为视频帧，无需额外训练即可高效分割，实验显示在OAI-ZIB数据集上取得高精度结果。
Journal ref Proc. SPIE 13411, Medical Imaging 2025: Imaging Informatics, 134110D (10 April 2025)
面向医学图像分割的体素间距一致性
机构 * Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医疗机器人研究院） ； Department of Ultrasound, Shanghai Chest Hospital（上海市胸科医院超声科） ； CAMPAR, Technical University of Munich（慕尼黑工业大学CAMPAR）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 提出Consispace框架，通过ODE约束和语义特征重加权实现轴向体素间距一致，提升重采样质量与下游分割性能。
Comments 12 pages, 6 figures
SegDINO: 将多尺度结构引入DINO以实现高效医学图像分割
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Sun Yat-sen University Cancer Center（中山大学肿瘤防治中心） ； Imperial College London（帝国理工学院）
专题命中 医学影像 ：medical image(title)；CT(abstract,abstract_cn)；分类 cs.CV
AI总结 提出SegDINO框架，通过令牌金字塔适应和尺度感知解码将多尺度结构引入DINO，在保持高效的同时实现医学图像分割的最优性能。
Comments Code: https://github.com/script-Yang/segdino_v2
Slop悖论：合成标准化如何侵蚀AI重写放射学报告中的临床不确定性和跨模态对齐
机构 * School of Computing and Engineering Sciences, University of Chester（切斯特大学计算与工程科学学院）
专题命中 医学影像 ：radiology(title,abstract)；medical AI(abstract)；分类 cs.CV
AI总结 本研究通过控制实验测量AI重写放射学报告导致的信息退化，发现电子健康记录摘要虽破坏内容但保留图像-文本对齐，而标准化重写和教学病例准备则相反，造成更大对齐损失，称为slop悖论。
医学图像分析中的因果迁移
机构 * University of Waterloo（滑铁卢大学）
专题命中 医学影像 ：medical image(title,abstract)；clinical AI(abstract)；分类 cs.CV
AI总结 本文探讨了医学图像分析中因果迁移方法，整合因果推理与跨域表示学习，以解决领域偏移问题，提升临床AI的鲁棒性和泛化能力。
SegMoTE: 用于医学图像分割的令牌级混合专家模型
机构 * Sichuan University（四川大学） ； Xinjiang University（新疆大学） ； Fuzhou University（福州大学） ； Alibaba DAMO Academy（阿里巴巴 DAMO 院）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 提出SegMoTE框架，通过令牌级混合专家机制和渐进式提示令牌化，在极低标注成本下实现医学图像分割的跨模态自适应与SOTA性能。
SC-MFJ: 一种用于医学图像分割的简单触觉质量度量
机构 * Jade University of Applied Sciences（亚德应用科学大学）
专题命中 医学影像 ：medical image(title)；CT(abstract,abstract_cn)；分类 cs.CV
AI总结 针对手术模拟中触觉渲染对分割表面质量的需求，提出SC-MFJ度量，通过虚拟触笔行走测量接触力抖动，揭示了几何度量无法发现的触觉质量差异。
Comments 11 pages, 5 figures, 5 tables, http://www.wscg.eu/
Med-Banana：从成功与失败轨迹中学习质量可控的医学图像编辑
机构 * National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Harbin Institute of Technology（哈尔滨工业大学）
专题命中 医学影像 ：medical image(title,abstract)；pathology(abstract)；分类 cs.CV
AI总结 提出Med-Banana框架，通过收集成功与失败编辑轨迹数据集Med-Banana-80K，联合训练编辑器、验证器和优化器，实现质量可控的医学图像编辑。
RL-ACRGNet：基于强化学习的胸部放射学报告生成网络
机构 * Human-AI Interaction (HAIx) Lab, Indian Institute of Technology Gandhinagar（人类-人工智能交互实验室，印度理工学院冈丁加尔） ； Department of Computer Science and Engineering, Madhav Institute of Technology and Science Deemed University (MITS-DU)（计算机科学与工程系，马达夫技术与科学 deemed 大学（MITS-DU）） ； Multimedia and Information Security Research Group, Department of Computer Science and Engineering, ABV-Indian Institute of Information Technology and Management（多媒体与信息安全研究组，计算机科学与工程系，ABV-印度信息科技与管理学院）
专题命中 医学影像 ：radiology(title,abstract)；medical AI(abstract)；分类 cs.LG
AI总结 提出RL-ACRGNet，一种结合预训练DenseNet编码器与多级LSTM解码器的离策略强化学习框架，通过度量奖励机制优化视觉语义嵌入，在IU-Xray和MIMIC-CXR数据集上超越基线，生成高质量临床报告。
Comments This work has been submitted to the IEEE for possible publication
利用术前计算机断层扫描自动预测术后胰瘘
机构 * Department of Surgery, Mayo Clinic, Rochester, MN, USA（梅奥诊所外科部，罗切斯特，明尼苏达州，美国） ； Department of Surgery, University of Auckland, Auckland, NZ（奥克兰大学外科部，奥克兰，新西兰） ； Kern Center for the Science of Health Care Delivery, Mayo Clinic, Rochester, MN, USA（健康照护科学中心，梅奥诊所，罗切斯特，明尼苏达州，美国） ； Department of Artificial Intelligence（人工智能部）
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、cs.LG、q-bio
AI总结 提出一种从胰腺分割到分类的端到端深度学习流程，利用术前CT扫描自动预测术后胰瘘风险，为临床决策提供工具和方法基准。
RadJEPA：基于联合嵌入预测架构的胸部X光放射学编码器
机构 * Department of Computer Science and Engineering, Indian Institute of Technology Bombay（印度理工学院孟买分校计算机科学与工程系） ； Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Koita Centre for Digital Health, Indian Institute of Technology Bombay（印度理工学院孟买分校Koita数字健康中心）
专题命中 医学影像 ：radiology(title,abstract)；medical image(abstract)；分类 cs.CV
AI总结 提出RadJEPA，一种无需语言监督的自监督框架，通过联合嵌入预测架构在约84万张无标签胸部X光图像上预训练，学习预测掩码区域的潜在表示，在放射学报告生成等任务中达到或超越现有基线。
Radiuma: 一个统一的无代码可执行图形工作流生成器，用于可重复和可共享的医学图像分析与机器学习
机构 * Department of Basic and Translational Research, BC Cancer Research Institute（基础与转化研究部，BC癌症研究中心） ； Department of Radiology, University of British Columbia（放射科，不列颠哥伦比亚大学） ； Technological Virtual Collaboration (TECVICO Corp.)（技术虚拟协作（TECVICO公司）） ； Department of Computer Science, University of British Columbia（计算机科学系，不列颠哥伦比亚大学） ； Department of Cardiology, Inselspital, Bern University Hospital, University of Bern（心脏病学部，Inselspital，伯恩大学医院，伯恩大学） ； Department of Digital Medicine, University of Bern（数字医学系，伯恩大学） ； Departments of Physics & Biomedical Engineering, University of British Columbia（物理学与生物医学工程系，不列颠哥伦比亚大学）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 提出Radiuma模块化平台，通过可视化工作流系统集成图像处理、放射组学特征提取和机器学习模块，实现无需编程即可构建可重复的多步分析流程。
SAM3是否准备好进行病理分割？
机构 * Sapienza University of Rome（罗马萨皮恩扎大学） ； University of Verona（威尼斯大学） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
专题命中 医学影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文评估了SAM3在病理图像分割中的能力，发现文本提示效果有限，视觉提示类型和预算对性能影响显著，少样本学习有提升但鲁棒性不足，且提示基于方法与任务训练适配方法之间存在显著差距。
Comments accept to icip2026
TwinTrack: 医学图像分割的后验多评分者校准
机构 * ICube Laboratory, CNRS UMR-7357, University of Strasbourg（ICube实验室，CNRS UMR-7357，斯特拉斯堡大学） ； CLCC Institut Strauss（CLCC斯特拉斯堡研究所） ； German Cancer Research Center (DKFZ) Heidelberg, Division of Medical Image Computing（海德堡德国癌症研究中心（DKFZ），医学图像计算部门） ； Pattern Analysis and Learning Group, Department of Radiation Oncology, Heidelberg University Hospital（放射肿瘤科，海德堡大学医院模式分析与学习小组） ； Medical Faculty Heidelberg, Heidelberg University（海德堡医学系，海德堡大学）
专题命中 医学影像 ：medical image(title)；CT(abstract,abstract_cn)；分类 cs.LG
AI总结 针对医学图像分割中多评分者不确定性建模问题，TwinTrack通过后验校准方法将集成分割概率校准到经验人类响应（MHR），提高概率校准和可解释性。
Comments Accepted for publication at MIDL 2026
Rad-VLSM：一种结合语义辅助提示的跨模态框架用于医学分割与诊断
机构 * Student Member, IEEE（IEEE学生会员） ； Member, IEEE（IEEE会员）
专题命中 医学影像 ：diagnosis(title,abstract)；medical image(abstract)；分类 cs.CV
AI总结 本文提出Rad-VLSM框架，通过语义引导的提示机制，提升医学图像分割与诊断的准确性，解决现有模型易受背景组织和无关视觉相关性干扰的问题。
RadGame：一种基于人工智能的放射学教育平台
机构 * Harvard Medical School（哈佛医学院） ； Mass General Brigham（麻省总医院） ； Maastricht University（马斯特里赫特大学） ； Department of Medical Imaging, King Abdulaziz Medical City, Ministry of National Guard, Riyadh, Saudi Arabia（国王阿卜杜勒-阿齐兹医疗城医学影像科，沙特阿拉伯） ； National Strategic Technology Research Institute, Seoul National University Hospital（全国战略技术研究所，首尔国立大学医院） ； Saint Louis University School of Medicine（圣路易斯大学医学院） ； College of Medicine, King Saud bin Abdulaziz University for Health Sciences（国王萨勒曼·本·阿卜杜勒阿齐兹大学医学院） ； Tufts University School of Medicine（塔夫茨大学医学院） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系）
专题命中 医学影像 ：radiology(title,abstract)；medical AI(abstract)；分类 cs.CV
AI总结 RadGame通过结合游戏化与大规模公开数据集，提供AI驱动的反馈，提升放射学教育中的定位和报告撰写能力，显著提高学习效果。
Comments ML4H Version
通过查询驱动专家桥梁适应基础视觉-语言模型用于医学诊断
机构 * Lab for AI in Medical Imaging, Technical University of Munich (TUM)（医学影像人工智能实验室，慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
专题命中 医学影像 ：diagnosis(title,abstract)；medical image(abstract)；分类 cs.CV
AI总结 本文提出MedBridge框架，通过结合领域对齐、分辨率保持和多标签推理的互补VLM专家，解决医学影像诊断中的领域差距问题，实现跨领域泛化和领域内特化，提升多标签胸腔疾病诊断性能。
FEFormer：频率增强的视觉变换器用于通用知识提取和自适应特征融合的体数据医学图像分割
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 eess.IV
AI总结 FEFormer通过引入频率增强模块，提升体数据医学图像分割的精度与效率，解决传统方法在局部细节和全局依赖捕捉上的不足。
Comments 20 pages, 8 figures, 9 tables
基于SAM的频率适应器用于通用医学图像分割
机构 * Sungkyunkwan University, Korea（成均馆大学，韩国）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出FSAM框架，结合LoRA和频率适配器提升医学图像分割的域泛化能力，通过提取域不变高频特征缓解频率相关域偏移。
Comments Under review, 10 pages, 1 figure, 2 tables
焦点调制与双向特征融合网络用于医学图像分割
机构 * Department of Computing, Abasyn University Islamabad Campus (AUIC)（阿巴斯扬大学伊斯兰堡校区计算机系） ； School of Computer Science and Informatics, De Montfort University（德蒙福特大学计算机科学与信息学学院） ； Naif Arab University for Security Sciences（纳夫阿拉伯安全科学大学） ； School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院） ； Center of Excellence in Precision Medicine and Digital Health, Chulalongkorn University（朱拉隆功大学精准医学与数字健康卓越中心） ； School of Biomedical Engineering, UNSW Sydney（新南威尔士大学悉尼分校生物医学工程学院）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出FM-BFF-Net，结合卷积与Transformer，通过焦点调制注意力机制和双向特征融合模块提升医学图像分割的边界精度与鲁棒性，实验表明其在多项指标上优于现有方法。
风险感知的鲁棒学习：在医疗图像分类中减少临床风险下的标签噪声
机构 * Visual Computing Lab, Departamento de Computação, Universidade Federal Rural de Pernambuco (UFRPE), Brasil（视觉计算实验室，计算机系，佩鲁巴科州联邦大学（UFRPE），巴西）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文研究了在标签噪声下，现有鲁棒学习方法是否能保持临床安全，通过引入成本敏感的全局风险公式，发现结合成本敏感优化可显著降低临床风险。
Comments Accepted at SBCAS'26
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈