医学 AI

OkanNet: A Lightweight Deep Learning Architecture for Classification of Brain Tumor from MRI Images

OkanNet：一种轻量级深度学习架构用于从MRI图像中分类脑肿瘤

Okan Uçar, Murat Kurt

机构 * Graduate School of Natural ； Applied Sciences Department of Computer Engineering Ege University Izmir, Turkey ； International Computer Institute Ege University Izmir, Turkey 纠错

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

AI总结 本文提出OkanNet和基于ResNet-50的迁移学习方法，用于自动检测和分类脑肿瘤，OkanNet在计算效率上表现优异，训练时间较ResNet-50快3.2倍，准确率88.10%。

Comments 7 pages, 3 figures, 1 table

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。

Blinded Radiologist and LLM-Based Evaluation of LLM-Generated Japanese Translations of Chest CT Reports: Comparative Study

盲评放射科医生和基于LLM的评估：LLM生成的日语胸CT报告翻译的比较研究

Yosuke Yamagishi, Atsushi Takamatsu, Yasunori Hamaguchi, Tomohiro Kikuchi, Shouhei Hanaoka, Takeharu Yoshikawa, Osamu Abe

机构 * Division of Radiology and Biomedical Engineering, Graduate School of Medicine, The University of Tokyo（东京大学医学研究生院放射学与生物医学工程系） ； Department of Radiology, The University of Tokyo Hospital（东京大学医院放射科） ； Department of Radiology, Kanazawa University Graduate School of Medical Sciences（金泽大学医学研究生院放射科） ； Department of Computational Diagnostic Radiology and Preventive Medicine, The University of Tokyo Hospital（东京大学医院计算诊断放射学与预防医学系） ； Department of Radiology, School of Medicine, Jichi Medical University（自治医科大学医学院放射科） 纠错

专题命中 医学影像 ：CT(title,abstract)；radiology(abstract)

AI总结 研究比较了放射科医生和LLM评估对LLM生成的日语胸CT报告翻译的教育适用性，发现LLM生成的翻译在自然流畅性上被普遍认可，但放射科医生之间存在显著差异，LLM评估偏好LLM输出，与放射科医生无显著一致。

Comments 25 pages, 4 figures

SA-CycleGAN-2.5D: Self-Attention CycleGAN with Tri-Planar Context for Multi-Site MRI Harmonization

SA-CycleGAN-2.5D：基于三平面上下文的自注意力CycleGAN用于多中心MRI和谐化

Ishrith Gowda, Chunwei Liu

机构 * University of California, Berkeley（加州大学伯克利分校） ； Purdue University（普渡大学） 纠错

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

AI总结 本文提出SA-CycleGAN-2.5D框架，通过三平面流形注入、密集自注意力生成器和频谱归一化判别器，解决多中心MRI数据中的扫描器偏移问题，显著降低MMD并提升和谐化效果。

Comments 12 pages, 5 figures, 5 tables. Submitted to MICCAI 2026

Structure is Supervision: Multiview Masked Autoencoders for Radiology

结构是监督：用于放射学的多视图掩码自编码器

Sonia Laguna, Andrea Agostini, Alain Ryser, Samuel Ruiperez-Campillo, Irene Cannistraci, Moritz Vandenhirtz, Stephan Mandt, Nicolas Deperrois, Farhad Nooralahzadeh, Michael Krauthammer, Thomas M. Sutter, Julia E. Vogt

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Department of Computer Science, UC Irvine（加州大学尔湾分校计算机科学系） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） 纠错

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

AI总结 本文提出多视图掩码自编码器（MVMAE），通过利用放射学研究的多视图结构学习视图不变和疾病相关表征，并在三个公开数据集上验证了其在疾病分类任务中的优越性能。

Journal ref Transactions on Machine Learning Research (TMLR) 2026

Automated Prostate Gland Segmentation in MRI Using nnU-Net

使用nnU-Net进行MRI中前列腺的自动分割

Pablo Rodriguez-Belenguer, Gloria Ribas, Javier Aquerreta Escribano, Rafael Moreno-Calatayud, Leonor Cerda-Alberich, Luis Marti-Bonmati

机构 * Biomedical Imaging Research Group (GIBI230), Instituto de Investigación Sanitaria La Fe, Valencia, Spain（生物医学影像研究组（GIBI230），拉菲健康研究所，巴伦西亚，西班牙） 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nnU-Net的深度学习方法，利用多模态MRI数据实现前列腺自动分割，通过交叉验证和外部验证显示其高精度和泛化能力，优于通用工具。

Comments 9 pages, 2 tables, 1 figure

FaCT-GS: Fast and Scalable CT Reconstruction with Gaussian Splatting

FaCT-GS：基于高斯点撒的快速可扩展CT重建

Pawel Tomasz Pieta, Rasmus Juul Pedersen, Sina Borgi, Jakob Sauer Jørgensen, Jens Wenzel Andreasen, Vedrana Andersen Dahl

机构 * Technical University of Denmark（丹麦技术大学） 纠错

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

AI总结 本文提出FaCT-GS框架，通过优化体素化和光栅化流程，实现快速且可扩展的CT重建，比现有方法快4-13倍，适用于不同投影尺寸。

Enhancing the Reliability of Medical AI through Expert-guided Uncertainty Modeling

通过专家引导的不确定性建模增强医疗AI的可靠性

Aleksei Khalin, Ekaterina Zaychenkova, Aleksandr Yugay, Andrey Goncharov, Sergey Korchagin, Alexey Zaytsev, Egor Ershov

机构 * Kharkevich Institute for Information Transmission Problems of Russian Academy of Sciences（俄罗斯科学院哈克维奇信息传输问题研究所） ； Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院） ； Sber（俄罗斯联邦储蓄银行） ； Artificial Intelligence Research Institute（人工智能研究院） 纠错

专题命中 医学影像 ：medical AI(title)；分类 cs.LG

AI总结 本文提出利用专家意见分歧生成训练目标，改进不确定性估计，提升医疗AI在风险感知中的可靠性，实验表明在不同任务中提升9%-50%。

GCond: Gradient Conflict Resolution via Accumulation-based Stabilization for Large-Scale Multi-Task Learning

GCond：基于累积稳定化的梯度冲突解决方法用于大规模多任务学习

Evgeny Alves Limarenko, Anastasiia Studenikina, Svetlana Illarionova, Maxim Sharaev

机构 * Moscow Institute of Physics and Technology（莫斯科物理技术学院） ； Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院） ； Biomedically Informed Artificial Intelligence Laboratory (BIMAI-Lab), University of Sharjah（沙迦大学生物医学人工智能实验室（BIMAI-Lab）） 纠错

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

AI总结 GCond通过结合梯度累积与自适应仲裁机制，在大规模多任务学习中有效解决梯度冲突问题，提升了计算效率和模型泛化能力。

Comments Published in IEEE Access. This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 License (CC BY-NC-ND 4.0)

Journal ref IEEE Access, vol. 14, pp. 42086-42104, 2026

Enhancing Medical Visual Grounding via Knowledge-guided Spatial Prompts

通过知识引导的空间提示增强医学视觉 grounding

Yifan Gao, Tao Zhou, Yi Zhou, Ke Zou, Yizhe Zhang, Huazhu Fu

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Yong Yoo Lin School of Medicine, National University of Singapore（新加坡国立大学杨潞龄医学院） ； Institute of High-Performance Computing, Agency for Science, Technology and Research（新加坡科技研究局高性能计算研究所） 纠错

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

AI总结 本文提出KnowMVG框架，通过知识增强提示和全局局部注意力机制提升医学视觉 grounding的精度，实验显示在四个基准上优于现有方法。

Comments 10 pages, 6 figures

NEMESIS: Noise-suppressed Efficient MAE with Enhanced Superpatch Integration Strategy

NEMESIS：噪声抑制的高效MAE与增强的超块整合策略

Kyeonghun Kim, Hyeonseok Jung, Youngung Han, Hyunsu Go, Eunseob Choi, Seongbin Park, Junsu Lim, Jiwon Yang, Sumin Lee, Insung Hwang, Ken Ying-Kai Liao, Nam-Joon Kim

机构 * OUTTA ； Chung-Ang University（中央大学） ； Seoul National University（首尔大学） ； GIST（光州科学技术院） ； Sangmyung University（祥明大学） ； NVIDIA（英伟达） 纠错

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

AI总结 NEMESIS通过局部超块处理实现高效MAE，结合噪声增强重建和改进的Transformer块，提升3D CT图像分类性能，降低计算成本。

Comments 5 pages, 5 figures, 5 tables

Estimating Head Motion from MR-Images

从磁共振图像估计头部运动

Clemens Pollak, David Kügler, Martin Reuter

机构 * AI in Medical Imaging, German Center for Neurodegenerative Diseases (DZNE), Bonn, Germany（德国神经退行性疾病中心(DZNE)医学影像人工智能部门，波恩，德国） ； A.A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Boston, MA, USA（麻省总医院A.A. Martinos生物医学影像中心，波士顿，马萨诸塞州，美国） ； Department of Radiology, Harvard Medical School, Boston, MA, USA（哈佛医学院放射学系，波士顿，马萨诸塞州，美国） 纠错

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

AI总结 本文提出一种深度学习方法，通过T1加权、T2加权和FLAIR图像及扫描仪深度相机的运动估计预测头部运动，改进了现有方法的性能，并能独立量化漂移和呼吸运动。

Regularizing Attention Scores with Bootstrapping

通过自助法正则化注意力分数

Neo Christopher Chung, Maxim Laletin

机构 * University of Warsaw（华沙大学） ； Samsung AI Center, Warsaw（三星人工智能中心（华沙）） 纠错

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

AI总结 本文通过自助法正则化注意力分数，提高视觉Transformer的可解释性，通过统计学习方法去除噪声引起的虚假注意力，提升稀疏性和收缩性。

Journal ref Artificial Intelligence and Statistics (AISTATS) 2026

A Self supervised learning framework for imbalanced medical imaging datasets

一种用于不平衡医学影像数据集的自监督学习框架

Yash Kumar Sharma, Charan Ramtej Kodi, Vineet Padmanabhan

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

AI总结 本文提出AMIMV方法，通过新的增强策略解决医学影像分类中的数据稀缺和类别不平衡问题，并评估了八种SSL方法在长尾分布和有限监督下的性能。

Ranking-Guided Semi-Supervised Domain Adaptation for Severity Classification

基于排名的半监督领域适应用于严重程度分类

Shota Harada, Ryoma Bise, Kiyohito Tanaka, Seiichi Uchida

机构 * Kyushu University（九州大学） ； Kyoto Second Red Cross Hospital（京都第二红十字医院） 纠错

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

AI总结 本文提出利用排名得分对源域和目标域进行对齐，以解决严重程度分类中类间边界不明确的问题，通过跨域排名和连续分布对齐方法提升领域适应效果。

Ultrasound-CLIP: Semantic-Aware Contrastive Pre-training for Ultrasound Image-Text Understanding

超声-CLIP：面向超声图像-文本理解的语义感知对比预训练

Jiayun Jin, Haolong Chai, Xueying Huang, Xiaoqing Guo, Zengwei Zheng, Zhan Zhou, Junmei Wang, Xinyu Wang, Jie Liu, Binbin Zhou

机构 * Hangzhou City University（杭州城市大学） ； Hong Kong Baptist University（香港浸会大学） ； Zhejiang University（浙江大学） ； The First Affiliated Hospital, Zhejiang University School of Medicine（浙江大学医学院附属第一医院） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 本文提出超声-CLIP，通过构建US-365K数据集和UDT知识框架，引入语义软标签和损失函数，提升超声图像与文本的语义对比学习效果，实现分类和检索的SOTA性能。

Comments Accepted by CVPR 2026

Cross-Domain Vessel Segmentation via Latent Similarity Mining and Iterative Co-Optimization

跨域血管分割：通过潜在相似性挖掘和迭代联合优化

Zhanqiang Guo, Jianjiang Feng, Jie Zhou

机构 * Department of Automation, Tsinghua University（清华大学自动化系） ； Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心） 纠错

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

AI总结 本文提出一种跨域血管分割框架，通过挖掘潜在血管相似性并迭代联合优化生成与分割网络，提升跨域图像合成质量和分割精度，实验显示在临床场景中表现优异。

Balancing Morality and Economics: Population Games with Herding and Inertia

平衡道德与经济：包含从众和惯性的群体博弈

Raghupati Vyas, Harsitha Devaraj, Veeraruna Kavitha

专题命中 医学影像 ：CT(abstract)

AI总结 本文研究消费者在异质行为倾向下的清洁技术采纳，通过多类型均值场博弈模型分析，探讨道德与经济因素在清洁技术采纳中的作用，发现群体构成、价格劣势和从众效应影响采纳水平。

Spatially-informed Image Harmonization Results in Improved Scanner Effect Removal and Prediction

空间信息引导的图像和谐化在改进扫描效应去除与预测中取得成效

Alec Reinhardt, Yajie Liu, Suprateek Kundu

专题命中 医学影像 ：MRI(abstract)

AI总结 本文提出Tensor-ComBat方法，通过低秩PARAFAC分解和后处理ComBat步骤，提升结构神经影像数据中扫描效应去除与生物预测的准确性。

Comments 31 Pages, 5 fifures

Difference-of-Convex Elastic Net for Compressed Sensing

差异凸弹性网用于压缩感知

Lang Yu, Nanjing Huang

专题命中 医学影像 ：MRI(abstract)

AI总结 本文提出了一种新的稀疏恢复框架DCEN，通过平衡强稀疏性和解的稳定性，适用于高维变量选择中的高度相关特征。该框架结合了DC结构，并通过两个可调参数统一了LASSO、弹性网等模型，理论分析和算法优化均表现出色。