医学 AI

Are Natural-Domain Foundation Models Effective for Accelerated Cardiac MRI Reconstruction?

自然域基础模型在加速心脏MRI重建中的有效性如何？

Anam Hashmi, Mayug Maniparambil, Julia Dietlmeier, Kathleen M. Curran, Noel E. O'Connor

机构 * Dublin City University（都柏林城市大学） ； University College Dublin（都柏林大学） 纠错

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

AI总结 本文探讨自然域基础模型在加速心脏MRI重建中的有效性，对比了与领域特定模型如BiomedCLIP的性能，并发现基础模型在跨领域场景中更具鲁棒性。

Comments Accepted to CVPRW 2026

An Artifact-based Agent Framework for Adaptive and Reproducible Medical Image Processing

基于 artifact 的 agent 框架用于自适应和可重复的医学图像处理

Lianrui Zuo, Yihao Liu, Gaurav Rudravaram, Karthik Ramadass, Aravind R. Krishnan, Michael D. Phillips, Yelena G. Bodien, Mayur B. Patel, Paula Trujillo, Yency Forero Martinez, Stephen A. Deppen, Eric L. Grogan, Fabien Maldonado, Kevin McGann, Hudson M. Holmes, Laurie E. Cutting, Yuankai Huo, Bennett A. Landman

机构 * Dept. of Electrical and Computer Engineering, Vanderbilt University（电气与计算机工程系，范德比尔特大学） ； Dept. of Computer Science, Vanderbilt University（计算机科学系，范德比尔特大学） ； Dept. of Biomedical Engineering, Vanderbilt University（生物医学工程系，范德比尔特大学） ； Dept. of Surgery, Vanderbilt University Medical Center（外科系，范德比尔特大学医学中心） ； Dept. of Neurology, Vanderbilt University Medical Center（神经病学系，范德比尔特大学医学中心） ； Dept. of Medicine, Vanderbilt University Medical Center（医学系，范德比尔特大学医学中心） ； Dept. of Thoracic Surgery, Vanderbilt University Medical Center（胸外科系，范德比尔特大学医学中心） ； Dept. of Biomedical Informatics, Vanderbilt University Medical Center（生物医学信息学系，范德比尔特大学医学中心） ； Dept. of Radiology and Radiological Sciences, Vanderbilt University Medical Center（放射学与放射科学系，范德比尔特大学医学中心） ； Vanderbilt University Institute of Imaging Science（范德比尔特大学成像科学研究所） ； Veteran Affairs, Tennessee Valley Healthcare System（退伍军人事务，田纳西河流域医疗系统） ； Peabody College, Vanderbilt University（佩博利学院，范德比尔特大学） ； Vanderbilt Brain Institute, Vanderbilt University（范德比尔特脑研究院，范德比尔特大学） 纠错

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

AI总结 本文提出基于 artifact 的 agent 框架，用于在真实临床环境中实现自适应和可重复的医学图像处理，通过语义层和模块化规则库实现工作流配置和可追溯性。

Segmentation of Gray Matters and White Matters from Brain MRI data

从脑部MRI数据中分割灰质和白质

Chang Sun, Rui Shi, Tsukasa Koike, Tetsuro Sekine, Akio Morita, Tetsuya Sakai

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Waseda University（早稻田大学） ； Department of Neurosurgery（神经外科） ； Teraoka Memorial Hospital（寺田纪念医院） ； Department of Radiology（放射科） ； Nippon Medical School Hospital（日本医学大学医院） ； Tokyo Rosai Hospital（东京罗赛医院） 纠错

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

AI总结 本文提出改进的MedSAM模型用于多类脑组织分割，通过预处理和调整解码器实现高精度分割，实验显示在IXI数据集上Dice分数达0.8751。

Useful nonrobust features are ubiquitous in biomedical images

有用但不鲁棒的特征在生物医学图像中普遍存在

Coenraad Mouton, Randle Rabe, Niklas C. Koser, Nicolai Krekiehn, Christopher Hansen, Jan-Bernd Hövener, Claus-C. Glüer

机构 * Faculty of Engineering, North-West University, South Africa（工程学院，北开普大学，南非） 纠错

专题命中 医学影像 ：biomedical(title,comments)；medical image(title)；分类 cs.CV、cs.LG、eess.IV

AI总结 研究深度学习在医学影像中是否学习到有用的非鲁棒特征及其对测试性能的影响，发现非鲁棒特征在多个任务中表现优异，但会降低分布外性能，揭示了医学影像分类中的鲁棒性-准确性权衡。

Comments Accepted at The IEEE International Symposium on Biomedical Imaging (ISBI), 2026

Uni-Encoder Meets Multi-Encoders: Representation Before Fusion for Brain Tumor Segmentation with Missing Modalities

单编码器遇见多编码器：在缺失模态下的脑肿瘤分割中的表示学习前融合

Peibo Song, Xiaotian Xue, Jinshuo Zhang, Zihao Wang, Jinhua Liu, Shujun Fu, Fangxun Bao, Si Yong Yeo

机构 * School of Mathematics, Shandong University（山东大学数学学院） ； GSFS, The University of Tokyo（东京大学GSFS） ； MedVisAI Lab（医学视觉人工智能实验室） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李光前医学院） ； Centre of AI in Medicine, Singapore（新加坡医学人工智能中心） 纠错

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

AI总结 本文提出UniME方法，通过两阶段异构架构在缺失模态下实现脑肿瘤分割，通过单编码器和多编码器的结合提升分割精度。

Comments CVPR 2026 Poster

Are Video Models Emerging as Zero-Shot Learners and Reasoners in Medical Imaging?

视频模型是否在医学影像中成为零样本学习者和推理者？

Yuxiang Lai, Jike Zhong, Ming Li, Yuheng Li, Xiaofeng Yang

机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Computer Science, University of Maryland（马里兰大学计算机科学系） ； Department of Biomedical Engineering, Georgia Institute of Technology（佐治亚理工学院生物医学工程系） ； Department of Radiation Oncology and Winship Cancer Institute, Emory University（埃默里大学放射肿瘤学系和Winship癌症研究所） 纠错

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

AI总结 本文探讨了自回归视频建模原理在医学影像任务中的零样本应用，发现大视觉模型在无需医学数据训练的情况下，能有效完成器官分割、去噪、超分辨率和运动预测等任务，尤其在放疗运动预测中表现出色。

OpenMRF: A Modular, Vendor-Neutral Open-Source Framework for Reproducible Magnetic Resonance Fingerprinting using Pulseq

OpenMRF：一种模块化、中立的开源框架，用于使用Pulseq进行可重复的磁共振指纹成像

Tom Griesler, Jannik Stebani, Sydney Kaplan, Ivaylo Angelov, Petra Albert, Martin Blaimer, Tobias Wech, Xiang Wang, Qingping Chen, Maxim Zaitsev, Zhibo Zhu, Qi Liu, Peter Martin, Jon-Fredrik Nielsen, Jesse I Hamilton, Peter Nordbeck, Nicole Seiberlich, Maximilian Gram

专题命中 医学影像 ：MRI(abstract,abstract_cn)

AI总结 OpenMRF通过整合模块化序列设计和字典生成，提供了一种开源框架，用于实现可重复的磁共振指纹成像，支持跨厂商和场强的可靠研究。