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。
MAESIL：用于增强自监督医学图像学习的掩码自编码器
机构 * Chung-Ang University（中央大学） ； Seoul National University（首尔大学） ； Sangmyung University（祥明大学） ； Ewha Womans University（梨花女子大学） ； Dankook University（檀国大学） ； NVIDIA ATC, Taiwan（英伟达台湾应用技术中心）
专题命中 医学影像 ：medical image(title,abstract)；CT(abstract)；分类 cs.CV
AI总结 本文提出MAESIL框架，通过3D超块输入单元和双掩码策略，提升3D医学图像自监督学习效果，在PSNR和SSIM等指标上优于AE、VAE和VQ-VAE。
Comments 5 pages, 3 figures. Accepted at ICEIC 2026
使用UNet和基于Transformer的分割方法自动检测多发性硬化症病变
机构 * Department of Neurology, University of Maryland School of Medicine（马里兰大学医学院神经内科） ； Baltimore VA Medical Center, VA Maryland Healthcare System（巴尔的摩退伍军人事务医疗中心，马里兰州退伍军人医疗系统）
专题命中 医学影像 ：MRI(title,abstract)；分类 cs.CV、cs.LG
AI总结 本文研究了在7T MRI上使用UNet和Transformer分割方法检测多发性硬化症白质病变的可行性，通过对比不同模型的性能，验证了7T分辨率在小病变检测中的优势。
Comments 31 pages, 3 figures, 3 tables. Inference code and model weights available at https://github.com/maynord/7T-MS-lesion-segmentation
统一的医学图像标记器用于自回归合成与理解
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Stanford University（斯坦福大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； ByteDance Seed（字节跳动Seed）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV、eess.IV
AI总结 本文提出MedITok，通过两阶段训练框架统一医学图像标记器，利用大规模未配对图像提升重建精度，并结合图像-文本对注入细粒度语义，实现自回归建模在诊断和生成任务中的应用。
MoRe-3DGSMR：基于3D高斯表示的自由呼吸肺部MRI运动解析重建框架
机构 * Department of Biomedical Engineering, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心生物医学工程系） ； Australian National University（澳大利亚国立大学） ； Department of Pediatrics, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心儿科学系） ； Department of Radiology, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心放射学系） ； Advanced Imaging Research Center, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心高级影像研究中心）
专题命中 医学影像 ：MRI(title,abstract)；分类 cs.CV、eess.IV
AI总结 本文提出一种无监督的自由呼吸肺部MRI运动解析重建框架，利用3D高斯表示解决运动解析3D等距肺部MRI重建问题，通过空间表示连续化提升图像质量。
基于基础模型的迭代提示与伪标签方法用于部分标注的医学图像分割
机构 * Department of Biomedical Engineering, Columbia University（哥伦比亚大学生物医学工程系） ； Department of Radiation Oncology, Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心放射肿瘤科） ； Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所） ； Herbert Irving Comprehensive Cancer Center, Columbia University（哥伦比亚大学赫伯特·欧文综合癌症中心） ； Department of Radiation Oncology, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院放射肿瘤科）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV；biomedical(comments)
AI总结 本文提出IPnP框架，通过训练网络与冻结基础模型协作，迭代生成并优化未标注器官的伪标签，提升部分标注条件下医学图像分割性能。
Comments 5 pages, 5 figures. Accepted for presentation at IEEE International Symposium on Biomedical Imaging (ISBI) 2026
谐调缓解婴儿扩散磁共振成像扫描仪效应：来自HEALthy Brain and Childhood Development (HBCD)研究的见解
专题命中 医学影像 ：MRI(title,abstract)；分类 q-bio、eess.IV
AI总结 本文研究了HBCD研究中扩散MRI数据的扫描仪效应，通过ComBat-GAM谐调方法消除扫描仪相关变异，提升数据可靠性。
Comments ISBI 2026
PHASOR：基于解剖和相位一致的体积扩散用于CT虚拟对比增强
机构 * Shanghai Key Lab of Intelligent Information Processing, School of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院上海市智能信息处理重点实验室） ； Institute of Science and Technology for Brain-inspired Intelligence and MOE Frontiers Center for Brain Science, Fudan University（复旦大学类脑智能科学与技术研究院及教育部脑科学前沿中心） ； Shanghai Center for Brain Science and Brain-inspired Technology（上海脑科学与类脑研究中心） ； Department of Radiology, First Affiliated Hospital of College of Medical Science, Zhejiang University（浙江大学医学院附属第一医院放射科） ； Alibaba DAMO Academy（阿里巴巴达摩院）
专题命中 医学影像 ：CT(title,abstract)；分类 cs.CV
AI总结 本文提出PHASOR框架，通过体积扩散模型提升CT虚拟对比增强质量，引入解剖路由混合专家和强度-相位意识表示对齐模块，解决解剖异质性和空间偏移问题。
神经心理症状偏离规范轮廓：一种基于MRI的早期阿尔茨海默病检测标志物
机构 * University of Stavanger（斯塔万格大学） ； University of Putra Malaysia（马来西亚博特拉大学） ； Stavanger University Hospital（斯塔万格大学医院）
专题命中 医学影像 ：MRI(title,abstract)；分类 cs.CV
AI总结 本文提出基于深度学习的规范模型，利用结构MRI识别神经心理症状偏离，通过DNPI指标预测阿尔茨海默病转化，其预测准确度与脑脊液AB42相当。
Comments Accepted and to be presented (ORAL) in ISBI 2026
SANA I2I：一种无需文本的流匹配框架用于配对图像到图像转换：以胎儿MRI伪影减少为例
机构 * National Laboratory for Scientific Computing - LNCC（国家科学计算实验室） ； Biodesign Laboratory Dasa（Dasa生物设计实验室）
专题命中 医学影像 ：MRI(title,abstract)；分类 cs.CV
AI总结 本文提出SANA-I2I框架，通过去除文本条件实现高分辨率图像到图像生成，用于胎儿MRI伪影减少任务，展示了其在医学图像中的高效性。
PRISM：基于微结构拟合的固定点恢复分析-合成可微方法
机构 * Indiana University, Bloomington, IN, USA（印第安纳大学布卢明顿分校）
专题命中 医学影像 ：MRI(title,abstract)；分类 cs.CV
AI总结 PRISM通过端到端的空间块拟合显式多室模型，结合CSF、灰质和白质纤维方向，利用排斥和稀疏先验实现纤维恢复，优于现有方法。
Comments 10 pages, 1 figure, 2 tables
无监督4D流体磁共振成像速度增强与解缠绕使用无散度神经网络
机构 * Biomedical Imaging Center, Pontificia Universidad Católica de Chile (PUC)（智利天主教大学生物医学成像中心） ； Department of Electrical Engineering, PUC（智利天主教大学电气工程系） ； Millennium Institute for Intelligent Healthcare Engineering, iHEALTH（千年智能医疗工程研究所） ； Departamento de Informática, Universidad Técnica Federico Santa Maria（费德里科·圣玛丽亚技术大学计算机科学系） ； School of Electrical Engineering, Pontificia Universidad Católica de Valparaiso (PUCV)（智利瓦尔帕莱索天主教大学电气工程学院） ； Center for Interdisciplinary Research in Biomedicine, Biotechnology and Well-Being (CID3B), PUCV（智利瓦尔帕莱索天主教大学生物医学、生物技术与福祉跨学科研究中心） ； Departamento de Ingeniería Mecánica, Universidad Técnica Federico Santa Maria（费德里科·圣玛丽亚技术大学机械工程系） ； Karolinska Institute, Department of Molecular Medicine and Surgery（卡罗林斯卡学院分子医学与外科学系）
专题命中 医学影像 ：MRI(title,abstract)；分类 cs.LG
AI总结 本文提出了一种无监督的无散度和混叠自由神经网络（DAF-FlowNet），用于4D流体磁共振成像，同时增强噪声速度场并纠正相位缠绕伪影。
Comments 11 pages, 5 figures, 7 tables
让失真引导恢复（DGR）：一种用于前列腺扩散MRI的物理引导学习框架
专题命中 医学影像 ：MRI(title)；分类 eess.IV
AI总结 本文提出DGR框架，通过物理引导学习方法在无采集情况下纠正前列腺单次采集EPI扩散加权成像中的严重磁 susceptibility 引起的失真，提升了图像质量和诊断信心。
AdaLoRA-QAT：自适应低秩和量化感知分割
机构 * International Institute of Information Technology (IIIT-H), Hyderabad, India（国际信息技术研究所（IIIT-H），印度海得拉巴） ； Nizam’s Institute of Medical Sciences (NIMS), Hyderabad, India（尼扎姆医学科学研究所（NIMS），印度海得拉巴） ； The Alan Turing Institute, London（艾伦·图灵研究所，伦敦） ； University College London, United Kingdom（伦敦大学学院，英国）
专题命中 医学影像 ：medical image(abstract)；diagnosis(abstract)；分类 cs.CV、eess.IV
AI总结 本文提出AdaLoRA-QAT框架，结合自适应低秩编码器适应与全量化感知训练，实现高效且可靠的医学图像分割，实验表明其在保持高精度的同时显著降低参数量和模型体积。
Comments Accepted to ISBI 2026(Oral Presentation)
具有语义感知实例和稀疏标记对齐的表示学习
机构 * Sungkyunkwan University（成均馆大学）
专题命中 医学影像 ：medical image(abstract)；radiology(abstract)；分类 cs.CV
AI总结 本文提出SISTA框架，通过在图像-报告和片段-词层面利用语义对应关系改进对比学习，提升医疗数据在图像分类、分割和检测任务中的迁移性能，尤其在标注数据有限时表现突出。
Comments Accepted to ICPR 2026
基于支气管血管树的弱监督学习方法用于肺叶分割
机构 * Department of Radiology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College（中国医学科学院北京协和医学院北京协和医院放射科） ； Canon Medical Systems (China)（佳能医疗系统（中国））
专题命中 医学影像 ：medical image(abstract)；分类 cs.CV、eess.IV
AI总结 本文提出基于支气管血管树的弱监督学习方法，通过利用临床解剖定义进行肺叶分割，结合两阶段分割策略和一致性损失提升分割效果。
Journal ref J Digit Imaging. Inform. med. (2026)
多机构级特征泄露减少用于跨医院胸部X光转移的自监督学习
机构 * University of Mentouri Brothers Constantine 1（君士坦丁兄弟门图里大学） ； LRIA Laboratory, University of Science and Technology Houari Boumediene (USTHB)（LRIA实验室，胡阿里·布迈丁科技大学） ； LSIACIO Laboratory, University of Mentouri Brothers Constantine 1（LSIACIO实验室，君士坦丁兄弟门图里大学） ； University of Paris-VIII-Vincennes-Saint-Denis（巴黎第八大学）
专题命中 医学影像 ：pathology(abstract)；分类 cs.CV、eess.IV
AI总结 本文研究了如何直接测量多机构泄露，并探讨其对跨医院转移方法的影响。通过多机构自监督学习和特征级对抗混淆，改进了胸部X光转移的性能，发现多机构SSL提升AUC，而对抗混淆降低泄露但不显著提升性能。
Comments Accepted at The 7th International Conference on Computing Systems and Applications [Algiers,2026]
磁共振成像的和谐化：采集、图像级和特征级方法的综述
机构 * University of California Irvine（加州大学尔湾分校） ； University Hospitals Cleveland Medical Center/Case Western Reserve University（大学医院克利夫兰医学中心/凯斯西储大学）
专题命中 医学影像 ：MRI(abstract)；分类 cs.CV、eess.IV
AI总结 本文综述了磁共振成像和谐化的方法，涵盖采集、图像级和特征级技术，探讨了和谐化对数据一致性的影响及未来研究方向。
Comments 27 pages, 6 figures, 3 tables
超越图像：结合心电图与解剖知识的晚期钆增强图像心肌瘢痕分割
机构 * School of Computer Science, University of Sheffield（谢菲尔德大学计算机科学学院） ； Department of Cardiology, Trent Cardiac Centre, Nottingham City Hospital, Nottingham University Hospitals NHS Trust（诺丁汉大学医院NHS信托基金诺丁汉市医院特伦特心脏中心心脏病科） ； School of Medicine, University of Nottingham（诺丁汉大学医学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系）
专题命中 医学影像 ：MRI(abstract)；分类 cs.CV；biomedical(comments)
AI总结 本文提出一种融合心电图电生理信息与AHA-17解剖先验的多模态框架，通过时间感知特征融合机制提升晚期钆增强图像中心肌瘢痕分割的准确性与鲁棒性。
Comments oral presentation at International Symposium on Biomedical Imaging (ISBI 2026)
UCell：重新思考生物医学视觉模型的通用性和扩展性
机构 * Vanderbilt University, School of Medicine（范德堡大学医学院） ； UConn Health, Center for Regenerative Medicine and Skeletal Development（康涅狄格大学健康中心再生医学与骨骼发育中心） ； UConn Health, Center for Cell Analysis and Modeling（康涅狄格大学健康中心细胞分析与建模中心）
专题命中 医学影像 ：biomedical(abstract)；分类 cs.CV、q-bio
AI总结 本文提出UCell模型，通过递归结构提升小模型性能，证明其在单细胞分割任务中可与大模型媲美，且无需大规模预训练数据，具备良好的泛化能力。
HICT: 从单张X射线实现高精度3D CBCT重建
机构 * Zhejiang University（浙江大学） ； Angelalign Technology Inc.（时代天使科技有限公司）
专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV
AI总结 本文提出HICT框架，通过视频扩散模型生成多视角投影并结合动态注意力网络与X射线采样策略，实现高精度CBCT重建，实验表明其在临床应用中表现优异。
TP-Seg: 任务-原型框架用于统一医学病变分割
机构 * School of Artificial Intelligence, Jiangxi Normal University（江西师范大学人工智能学院） ； East China Normal University（华东师范大学） ； Yale University（耶鲁大学）
专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV
AI总结 本文提出TP-Seg框架，通过双路径专家结构平衡共享与任务特定表示，结合原型引导解码器实现细粒度任务语义建模，优于多种分割方法，展现强泛化和临床应用价值。
KG-CMI: 基于知识图谱的跨Mamba交互用于医学视觉问答
机构 * School of Software, Northwestern Polytechnical University（西北工业大学软件学院） ； Tianjin Central Hospital of Gynecology Obstetrics（天津市中心妇产科医院） ； Department of Computer Science and Information Technology, La Trobe University（拉筹伯大学计算机科学与信息技术系） ； CSIRO Data61（澳大利亚联邦科学与工业研究组织Data61） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； School of Computer Software, Tianjin University（天津大学计算机软件学院） ； Centre for Artificial Intelligence driven Drug Discovery, Faculty of Applied Science, Macao Polytechnic University（澳门理工大学应用科学学院人工智能驱动药物发现中心） ； Department of Cardiology, Tianjin Chest Hospital（天津市胸科医院心内科）
专题命中 医学影像 ：medical image(abstract)；分类 cs.CV
AI总结 本文提出KG-CMI框架，通过整合医学知识图谱提升医学视觉问答的准确性与多样性，实验表明其在三个数据集上表现优于现有方法。
一种用于MRI-US匹配和配准的3D跨模态关键点描述符
机构 * Harvard Medical School（哈佛医学院） ； Brigham and Women’s Hospital（布莱根妇女医院） ； Inria（法国国家信息与自动化研究所） ； Sorbonne Université（索邦大学） ； Institut du Cerveau - Paris Brain Institute - ICM, CNRS, Inserm, AP-HP, Hôpital de la Pitié Salpêtrière（巴黎大脑研究所 - ICM, 法国国家科学研究中心, 法国国家健康与医学研究院, 巴黎公立医院集团, 皮提耶-萨勒佩特里医院） ； Technical University of Munich（慕尼黑工业大学）
专题命中 医学影像 ：MRI(abstract)；分类 cs.CV
AI总结 本文提出一种3D跨模态关键点描述符，通过合成iUS体积进行患者特异性匹配，学习共享描述空间，实现鲁棒且旋转不变的配准。
Comments Accepted in IEEE Transactions on Medical Imaging
超越真实数据：通过正则化视角的合成数据
机构 * Apple（苹果公司） ； University of Oxford（牛津大学） ； Big Data Institute（大数据研究所）
专题命中 医学影像 ：MRI(abstract)；分类 cs.LG
AI总结 本文通过正则化视角研究合成数据与真实数据的平衡，提出学习理论框架量化两者权衡，分析最优比例以最小化测试误差，并在CIFAR-10和临床脑MRI数据集上验证U型行为，扩展至领域适应场景。
非线性人类乳腺扩散线圈设计
专题命中 医学影像 ：MRI(abstract)
AI总结 本文提出一种非线性乳腺扩散线圈设计，通过优化梯度场强度和方向，实现高均匀性扩散加权，提升乳腺DWI的特异性与成像质量。
Journal ref J Magn Reson . 2021 Oct:331:107052
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