医学 AI

Adapting Segment Anything Model 3 for Concept-Driven Lesion Segmentation in Medical Images: An Experimental Study

为医学图像中的概念驱动病变分割适应Segment Anything Model 3：一项实验研究

Guoping Xu, Jayaram K. Udupa, Yubing Tong, Xin Long, Ying Zhang, Jie Deng, Weiguo Lu, You Zhang

机构 * The Medical Artificial Intelligence and Automation (MAIA) Laboratory, Department of Radiation Oncology, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心放射肿瘤学系医学人工智能与自动化（MAIA）实验室） ； Medical Image Processing Group, Department of Radiology, University of Pennsylvania（宾夕法尼亚大学放射学系医学图像处理组） ； Division of Digestive and Liver Diseases, Department of Internal Medicine, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心内科学系消化与肝脏疾病科） 纠错

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

AI总结 本文评估SAM3在多模态医学图像中的病变分割性能，通过几何框和概念提示提升鲁棒性，并展示其跨模态泛化能力。

Comments 31 pages, 8 figures

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

FINDER: Zero-Shot Field-Integrated Network for Distortion-free EPI Reconstruction in Diffusion MRI

FINDER：用于扩散磁共振成像中无失真EPI重建的零样本场积分网络

Namgyu Han, Seong Dae Yun, Chaeeun Lim, Sunghyun Seok, Sunju Kim, Yoonhwan Kim, Yohan Jun, Tae Hyung Kim, Berkin Bilgic, Jaejin Cho

机构 * Sejong University（世宗大学） ； Forschungszentrum Jülich（于利希研究中心） ； Athinoula A. Martinos Center for Biomedical Imaging（Athinoula A. Martinos生物医学成像中心） ； Harvard Medical School（哈佛医学院） ； Hongik University（弘益大学） 纠错

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

AI总结 本文提出FINDER网络，通过联合优化图像和B0场图，解决EPI重建中的几何失真问题，提升扩散成像质量。

Comments 11 pages, 4 figures

Cone-Beam CT Image Quality Enhancement Using A Latent Diffusion Model Trained with Simulated CBCT Artifacts

使用基于伪CBCT伪影训练的条件潜变量扩散模型进行锥束CT图像质量增强

Naruki Murahashi, Mitsuhiro Nakamura, Megumi Nakao

机构 * Graduate School of Medicine, Kyoto University（京都大学医学研究科） 纠错

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

AI总结 本文提出一种基于条件潜变量扩散模型的锥束CT图像质量增强方法，利用伪CBCT图像进行自监督学习，有效提升图像质量并保持解剖结构，实验表明其在处理速度和图像改善性能上优于传统方法。

Conditional Diffusion for 3D CT Volume Reconstruction from 2D X-rays

基于条件扩散的3DCT体积重建从2DX光

Martin Rath, Morteza Ghahremani, Yitong Li, Ashkan Taghipour, Marcus Makowski, Christian Wachinger

机构 * Technical University of Munich (TUM)（慕尼黑工业大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Western Australia (UWA)（西澳大利亚大学） 纠错

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

AI总结 本文提出AXON框架，通过多阶段扩散模型直接从真实X光重建高保真3DCT体积，采用粗到细策略和ControlNet优化，支持双平面X光输入并提升诊断分辨率。

Progressive Learning with Anatomical Priors for Reliable Left Atrial Scar Segmentation from Late Gadolinium Enhancement MRI

基于解剖先验的渐进学习用于从晚期钆增强MRI中可靠分割左心房瘢痕

Jing Zhang, Bastien Bergere, Emilie Bollache, Jonas Leite, Mikaël Laredo, Alban Redheuil, Nadjia Kachenoura

机构 * Laboratoire d’Imagerie Biomédicale (LIB), Sorbonne Université, INSERM, CNRS（生物医学影像实验室（LIB），索邦大学，法国国家健康与医学研究院，法国国家科学研究中心） ； APHP, Institut de Cardiologie, Hôpital Pitié-Salpêtrière（巴黎公立医院集团，心脏病学研究所，皮提耶-萨勒佩特里医院） ； APHP, Imagerie Cardiovasculaire et thoracique, Institut de Cardiologie, Hôpital Pitié Salpêtrière（巴黎公立医院集团，心血管与胸部影像科，心脏病学研究所，皮提耶-萨勒佩特里医院） 纠错

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

AI总结 本文提出基于解剖先验的渐进学习方法，通过三阶段框架提升左心房瘢痕分割的准确性和可靠性，实验结果显示优于单一阶段分割方法。

Comments 16 pages, 3 figures, 3 tables

Clinical Metadata Guided Limited-Angle CT Image Reconstruction

临床元数据引导的限角CT图像重建

Yu Shi, Shuyi Fan, Changsheng Fang, Shuo Han, Haodong Li, Li Zhou, Bahareh Morovati, Dayang Wang, Hengyong Yu

机构 * University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校） 纠错

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

AI总结 本文提出基于结构化临床元数据的两阶段扩散框架，用于改进限角CT重建，通过整合元数据提升图像质量与效率。

Comments IEEE Transactions on Medical Imaging, 2026

Diffusion MRI Transformer with a Diffusion Space Rotary Positional Embedding (D-RoPE)

具有扩散空间旋转位置嵌入的扩散磁共振成像变换器（D-RoPE）

Gustavo Chau Loo Kung, Mohammad Abbasi, Camila Blank, Juze Zhang, Alan Q. Wang, Sophie Ostmeier, Akshay Chaudhari, Kilian Pohl, Ehsan Adeli

机构 * Stanford University（斯坦福大学） 纠错

专题命中 医学影像 ：MRI(title)；分类 cs.CV

AI总结 本文提出D-RoPE以解决扩散磁共振成像中空间、扩散加权和方向依赖性的建模问题，通过自监督预训练提升模型在多种任务中的表现，实现更稳健的跨设置表示。

Automated Quality Assessment of Blind Sweep Obstetric Ultrasound for Improved Diagnosis

自动化盲扫产科超声质量评估以提升诊断

Prasiddha Bhandari, Kanchan Poudel, Nishant Luitel, Bishram Acharya, Angelina Ghimire, Tyler Wellman, Kilian Koepsell, Pradeep Raj Regmi, Bishesh Khanal

机构 * Nepal Applied Mathematics and Informatics Institute for research (NAAMII)（尼泊尔应用数学与信息学研究所（NAAMII）） ； GE HealthCare（GE医疗） ； Institute of Medicine (IOM), Tribhuvan University（特里布万大学医学院（IOM）） 纠错

专题命中 医学影像 ：diagnosis(title)；分类 cs.CV

AI总结 本文系统评估了盲扫产科超声质量及其对三个关键AI任务的影响，通过模拟采集偏差检测模型鲁棒性，并展示反馈循环对下游任务性能的提升。

D-GATNet: Interpretable Temporal Graph Attention Learning for ADHD Identification Using Dynamic Functional Connectivity

D-GATNet：用于通过动态功能连接识别ADHD的可解释性时序图注意力学习

Qurat Ul Ain, Alptekin Temizel, Soyiba Jawed

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

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

AI总结 D-GATNet通过动态功能连接和时序图注意力机制，实现ADHD的可解释性分类，实验在ADHD-200数据集上达到85.18%平衡准确率和0.881 AUC，揭示小脑和默认模式网络的紊乱。

Comments 5 pages , 4 figures

Adapting Frozen Mono-modal Backbones for Multi-modal Registration via Contrast-Agnostic Instance Optimization

通过对比无关实例优化适应冻结的单模背骨以实现多模注册

Yi Zhang, Yidong Zhao, Qian Tao

机构 * Department of Imaging Physics, Delft University of Technology, The Netherlands（荷兰代尔夫特理工大学成像物理系） 纠错

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

AI总结 本文提出一种结合冻结预训练单模注册模型与轻量级适应流程的多模图像注册框架，通过对比无关的表示生成与优化模块在测试时桥接模态与领域差距，提升注册鲁棒性。

Comments MICCAI Learn2Reg Challenge

Longitudinal Boundary Sharpness Coefficient Slopes Predict Time to Alzheimer's Disease Conversion in Mild Cognitive Impairment: A Survival Analysis Using the ADNI Cohort

纵向边界锐度系数斜率预测轻度认知障碍向阿尔茨海默病转化的时间：使用ADNI队列的生存分析

Ishaan Cherukuri

机构 * Independent Researcher USA（美国独立研究员） 纠错

专题命中 医学影像 ：MRI(abstract)；分类 cs.CV、q-bio

AI总结 研究通过分析纵向边界锐度系数斜率，利用ADNI队列数据，发现其比单次基线扫描更有效预测轻度认知障碍向阿尔茨海默病转化，提升了生存分析的准确性。

A Channel-Triggered Backdoor Attack on Wireless Semantic Image Reconstruction

面向无线语义图像重建的通道触发后门攻击

Jialin Wan, Jinglong Shen, Nan Cheng, Zhisheng Yin, Yiliang Liu, Wenchao Xu, Xuemin, Shen

机构 * School of Telecommunications Engineering, Xidian University（西安电子科技大学通信工程学院） ； Department of Computing, Hong Kong Polytechnic University（香港理工大学计算学系） ； Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系） 纠错

专题命中 医学影像 ：CT(abstract)；分类 cs.LG

AI总结 本文提出一种利用无线信道特性作为激活触发器的后门攻击框架，解决传统输入级触发器在严格输入约束下的局限性，通过信道统计参数提升隐蔽性与灵活性。

A Judge Agent Closes the Reliability Gap in AI-Generated Scientific Simulation

裁判代理缩小了人工智能生成的科学模拟的可靠性差距

Chengshuai Yang

机构 * NextGen PlatformAI C Corp（NextGen PlatformAI C公司） 纠错

专题命中 医学影像 ：CT(abstract)；分类 cs.LG

AI总结 本文提出裁判代理自动验证生成的科学模拟代码，将失败率从42%降至1.5%，并在12个领域中实现89%的成功率，同时引入spec.md规范格式。

Comments 36 pages, 5 figures, 22 tables, includes Supplementary Information

ERMoE: Eigen-Reparameterized Mixture-of-Experts for Stable Routing and Interpretable Specialization

ERMoE：基于特征的混合专家架构用于稳定路由和可解释的专业化

Anzhe Cheng, Shukai Duan, Shixuan Li, Chenzhong Yin, Mingxi Cheng, Heng Ping, Tamoghna Chattopadhyay, Sophia I Thomopoulos, Shahin Nazarian, Paul Thompson, Paul Bogdan

机构 * University of Southern California（南加州大学） 纠错

专题命中 医学影像 ：MRI(abstract)；分类 cs.CV

AI总结 ERMoE通过重新参数化专家在学习的正交特征基上，改进路由稳定性与专家专业化可解释性，无需显式平衡损失，提升ImageNet和跨模态检索任务性能。

Comments Accepted in CVPR2026 Main Track

Fluid dynamics informed CCTA-derived geometric parameters in right coronary artery anomalies predict abnormal invasive Adenosine FFR and Dobutamine FFR

基于CCTA的流体动力学参数预测右冠状动脉异常的异常侵入性阿西替尼FFR和多巴胺FFR

Ali Mokhtari, Anselm W. Stark, Dominik Obrist, Marius R. Bigler, Stefano F de Marchi, Lorenz Raber, Isaac Shiri, Christoph Graeni

专题命中 医学影像 ：CT(abstract)

AI总结 研究通过CCTA流体动力学参数预测右冠状动脉异常的异常侵入性阿西替尼FFR和多巴胺FFR，发现流体动力学参数在预测固定压缩的血流动力学相关性方面表现优异。

Comments 5 figures, and 5 Tables