医学 AI

Explainability in Generative Medical Diffusion Models: A Faithfulness-Based Analysis on MRI Synthesis

生成医学扩散模型的可解释性：基于忠实度的MRI合成分析

Surjo Dey, Pallabi Saikia

机构 * Rajiv Gandhi institute of petroleum technology（拉吉夫·甘地石油技术学院） 纠错

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

AI总结 研究探讨生成扩散模型在医学影像中的可解释性，聚焦MRI合成，通过分析原型方法评估生成与训练特征的关系，实验表明EPPNet在忠实度上表现最佳，提升生成过程的透明度和可信度。

Comments Accepted at 3rd World Congress on Smart Computing (WCSC2026) conference

Robust Multicenter CT Radiogenomics for Dual EGFR and KRAS Prediction in Lung Cancer with Stability-Aware Modeling and SHAP Interpretation

稳健的多中心CT放射组学用于肺癌中EGFR和KRAS双重预测：基于稳定性意识的建模和SHAP解释

Somayeh Sadat Mehrnia, Fatemeh Razavi, Helia Abedini, Niloofar Rahimi, Arman Rahmim, Mohammad Salmanpour

专题命中 医学影像 ：CT(title,title_cn)

AI总结 本文研究了多中心CT放射组学在肺癌中EGFR和KRAS双重预测中的应用，通过结合手工特征和深度特征，提出稳定性意识建模和SHAP解释方法，提升预测鲁棒性。

On the convergence of an adaptive denoiser driven iterative regularization with early stopping

关于基于自适应去噪器驱动迭代正则化方法收敛性的研究

Harshit Bajpai, Ankik Kumar Giri, Tim Jahn, Abhinav Jha

专题命中 医学影像 ：CT(summary_cn,abstract)

AI总结 本文提出DDIR方法，通过自适应步长和后验停止规则，证明其在经典意义下稳定且收敛，用于图像去模糊和相位恢复CT的数值实验验证了其有效性。

Bayesian Inference for Incomplete 2x2 Diagnostic Tables

不完整2x2诊断表的贝叶斯推断

Sara Antonijevic, Danielle Sitalo, Brani Vidakovic

专题命中 医学影像 ：MRI(summary_cn,abstract)

AI总结 本文提出层次贝叶斯模型以重建不完整的2x2诊断表，解决医学研究中诊断准确性数据不完整的问题，通过两种场景展示方法，并在乳腺MRI研究中验证其重建性能。

Comments 21 pages, 10 tables. Supplementary materials and reproducible code available at https://github.com/saraantonijevic/bayesian_diagnostic_table-reconstruction

CoRe: Joint Optimization with Contrastive Learning for Medical Image Registration

CoRe：基于对比学习的医学图像配准联合优化

Eytan Kats, Christoph Grossbroehmer, Ziad Al-Haj Hemidi, Fenja Falta, Wiebke Heyer, Mattias P. Heinrich

机构 * Insitute of Medical Informatics, University of Luebeck, Luebeck, Germany（吕贝克大学医学信息学研究所） 纠错

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

AI总结 本文提出CoRe框架，将对比学习直接整合到配准模型中，通过联合优化对比和配准目标，提升特征表示的鲁棒性，实验表明在腹部和胸腔配准任务中性能优于基线方法。

Comments Preprint

MSLAU-Net: A Hybrid CNN-Transformer Network for Medical Image Segmentation

MSLAU-Net：一种用于医学图像分割的混合CNN-Transformer网络

Libin Lan, Yanxin Li, Xiaojuan Liu, Juan Zhou, Jianxun Zhang, Nannan Huang, Yudong Zhang

机构 * College of Computer Science and Engineering（计算机科学与工程学院） ； College of Artificial Intelligence（人工智能学院） ； Department of Pharmacy（药学部） ； Department of Prosthodontics（修复学部） ； Chongqing Key Laboratory of Oral Diseases（重庆口腔疾病重点实验室） ； Chongqing Municipal Key Laboratory of Oral Biomedical Engineering of Higher Education（重庆市口腔生物医学工程高等教育重点实验室） ； School of Computer Science and Engineering（计算机科学与工程学院） ； Southeast University（东南大学） 纠错

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

AI总结 本文提出MSLAU-Net，结合CNN和Transformer的优势，通过多尺度线性注意力和自上而下特征聚合机制，提升医学图像分割的精度与效率。

Comments 15 pages, 7 figures, 9 tables

Causal-Transformer with Adaptive Mutation-Locking for Early Prediction of Acute Kidney Injury

具有自适应突变锁定的因果变换器用于急性肾损伤的早期预测

Weizhi Nie, Haolin Chen

机构 * School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院） ； Department of Nephrology, TEDA Hospital, Tianjin University（天津大学TEDA医院肾内科） ； Tianjin Medical University General Hospital（天津医科大学总医院） ； Department of Nephrology, First Teaching Hospital of Tianjin University of Traditional Chinese Medicine（天津中医药大学第一教学医院肾内科） 纠错

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

AI总结 本文提出CT-Former，结合连续时间建模与因果变换器，通过自适应突变锁定机制解决数据不规则和模型黑箱问题，提升急性肾损伤早期预测的临床可信度。

Scaling In-Context Segmentation with Hierarchical Supervision

基于分层监督的上下文扩展分割

T. Camaret Ndir, Marco Reisert, Robin T. Schirrmeister

机构 * Division of Medical Physics, Department of Radiology, Medical Center – University of Freiburg（医学物理系，放射科，弗赖堡大学医学中心） 纠错

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

AI总结 本文提出PatchICL框架，通过选择性图像分块与多级监督实现高效上下文学习，提升医学图像分割性能并降低计算开销。

AnatomicalNets: A Multi-Structure Segmentation and Contour-Based Distance Estimation Pipeline for Clinically Grounded Lung Cancer T-Staging

AnatomicalNets：一种用于临床肺癌T分期的多结构分割和基于轮廓的距离估计流程

Saniah Kayenat Chowdhury, Rusab Sarmun, Muhammad E. H. Chowdhury, Sohaib Bassam Zoghoul, Israa Al-Hashimi, Adam Mushtak, Amith Khandakar

机构 * Department of Robotics and Mechatronics Engineering, University of Dhaka（达卡大学机器人与机电工程系） ； Department of Electrical and Electronics Engineering, University of Dhaka（达卡大学电气与电子工程系） ； Department of Electrical Engineering, Qatar University（卡塔尔大学电气工程系） ； Department of Radiology, Hamad Medical Corporation（哈马德医疗集团放射科） ； Department of Biomedical Technology, Prince Sattam Bin Abdulaziz University（普林斯·萨塔姆·本·阿卜杜勒阿齐兹大学生物医学技术系） 纠错

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

AI总结 本文提出AnatomicalNets，通过多阶段流程将肿瘤分期转化为测量和规则推理问题，利用三个编码器-解码器网络进行分割，并结合轮廓距离估计方法提升临床可解释性，实现91.36%的分类准确率。

MambaLiteUNet: Cross-Gated Adaptive Feature Fusion for Robust Skin Lesion Segmentation

MambaLiteUNet: 跨门控自适应特征融合用于稳健的皮肤病变分割

Md Maklachur Rahman, Soon Ki Jung, Tracy Hammond

机构 * Texas A&M University（德克萨斯大学） ； Kyungpook National University（庆尚国立大学） 纠错

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

AI总结 本文提出MambaLiteUNet，通过整合Mamba状态空间模型与U-Net架构，结合三个关键模块提升局部-全局特征交互和空间细节保留，实现高精度分割。

Comments Accepted at CVPR 2026 Main

Weighted Knowledge Distillation for Semi-Supervised Segmentation of Maxillary Sinus in Panoramic X-ray Images

带权知识蒸馏的半监督maxillary sinus在全景X射线图像中的分割

Juha Park, Jiho Choi, Jong Pil Yun, Yong Chan Park, Han-Gyeol Yeom, Byung Do Lee, Sang Jun Lee

机构 * Division of Electronics and Information Engineering, College of Engineering, Jeonbuk National University（全罗国立大学电子与信息工程系） ； Manufacturing AI Research Center, Korea Institute of Industrial Technology (KITECH)（韩国工业技术研究院制造人工智能研究中心） ； KITECH School, University of Science and Technology, Cheonan（科技大学校KITECH学院） ； The Graduate School of Advanced Imaging Science, Multimedia & Film, Chung-Ang University（Chung-Ang大学高级影像科学研究生院，多媒体与电影） ； Department of Oral and Maxillofacial Radiology and Wonkwang Dental Research Institute, College of Dentistry, Wonkwang University（Wonkwang大学口腔颌面放射科及Wonkwang牙科研究所） 纠错

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

AI总结 本文提出一种半监督分割框架，利用带权知识蒸馏和SinusCycle-GAN提升全景X射线图像中maxillary sinus的分割性能，实验表明其在有限标注数据下具有更高的Dice分数和更小的边界误差。

Comments 14 pages, 6 figures. Under review