医学 AI

sFRC for assessing hallucinations in medical image restoration

sFRC用于评估医学图像恢复中的幻觉

Prabhat Kc, Rongping Zeng, Nirmal Soni, Aldo Badano

机构 * U.S. Food and Drug Administration（美国食品药品监督管理局） ； Center for Devices and Radiological Health（设备与放射健康中心） 纠错

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

AI总结 本文提出sFRC方法用于检测医学图像恢复中的幻觉，通过傅里叶环相关分析和扫描对比检测幻觉特征，验证了其在CT超分辨率、CT稀疏视图和MRI子采样恢复中的有效性。

Comments 16 pages; 14 figures; 1 Supplemental document. TechRxiv Preprints, 2025

3D MRI Image Pretraining via Controllable 2D Slice Navigation Task

通过可控的2D切片导航任务进行3D MRI图像预训练

Yu Wang, Qingchao Chen

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） 纠错

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

AI总结 本文提出通过可控2D切片导航任务预训练3D MRI图像，利用动作轨迹控制生成视频动作序列，提升解剖和空间表示学习能力。

Comments 9 pages, 5 figures

Whole-body CT attenuation and volume charts from routine clinical scans via evidence-grounded LLM report filtering

通过证据引导的LLM报告过滤从常规临床扫描中获得全身CT衰减和体积图表

Christian Wachinger, Bernhard Renger, Christopher Späth, Jan Kirschke, Marcus Makowski

机构 * Institute of Radiology, School of Medicine and Health, Technical University of Munich（医学与健康学院放射学研究所，慕尼黑技术大学） ； Institute of Neuroradiology, School of Medicine and Health, Technical University of Munich（医学与健康学院神经放射学研究所，慕尼黑技术大学） ； Munich Data Science Institute (MDSI), Technical University of Munich（慕尼黑数据科学研究所（MDSI），慕尼黑技术大学） ； Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心（MCML），德国慕尼黑） 纠错

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

AI总结 本文提出证据引导的LLM集成方法，通过过滤病理发现，构建病理减少的队列，建立106个解剖结构的全身参考图表，支持标准化定量表型分析和多中心影像研究。

Comments Supplement available at: https://github.com/ai-med/body-charts/blob/main/body_charts_supp.pdf

Submanifold Sparse Convolutional Networks for Automated 3D Segmentation of Kidneys and Kidney Tumours in Computed Tomography

子流形稀疏卷积网络用于计算机断层扫描中肾脏及肾肿瘤的自动三维分割

Saúl Alonso-Monsalve, Leigh H. Whitehead, Adam Aurisano, Lorena Escudero Sanchez

机构 * ETH Zürich, Institute for Particle Physics and Astrophysics（苏黎世联邦理工学院，粒子物理与天体物理研究所） ； University of Cambridge, Department of Physics（剑桥大学，物理系） ； University of Cincinnati, Department of Physics（辛辛那提大学，物理系） ； University of Cambridge, Department of Radiology（剑桥大学，放射学系） 纠错

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

AI总结 本文提出基于体素稀疏化和子流形稀疏卷积网络的两阶段3D分割方法，用于提高CT图像中肾脏及肿瘤的分割效率与精度，实验表明其在速度和内存使用上均优于现有方法。

Comments 15 pages, 6 figures

Beyond Forgetting in Continual Medical Image Segmentation: A Comprehensive Benchmark Study

超越持续学习中的遗忘：持续医学图像分割的全面基准研究

Bomin Wang, Hangqi Zhou, Yibo Gao, Xiahai Zhuang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） 纠错

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

AI总结 本文针对持续医学图像分割中的三大挑战，提出全面的基准研究，评估了不同方法在泛化性、遗忘抑制、可塑性等方面的表现，发现基于重放的方法在稳定性和可塑性之间取得最佳平衡。

Comments Submitted to a journal

Prompt-Free and Efficient SAM2 Adaptation for Biomedical Semantic Segmentation via Dual Adapters

无需提示的高效SAM2适应用于生物医学语义分割的双适配器

Hinako Mitsuoka, Kazuhiro Hotta

机构 * Meijo University（名古屋大学） 纠错

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

AI总结 本文提出一种无需提示的高效SAM2适应框架，通过双适配器策略提升生物医学分割性能，实验表明在多个数据集上准确率提升19.66%，计算成本降低87%。

Comments Accepted by ICIP2026

MedFlowSeg: Flow Matching for Medical Image Segmentation with Frequency-Aware Attention

MedFlowSeg: 基于频率感知注意力的医学图像分割中的流匹配

Zhi Chen, Runze Hu, Le Zhang

机构 * School of Engineering, University of Birmingham（伯明翰大学工程学院） ； School of Public Health, Peking University（北京大学公共卫生学院） 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MedFlowSeg，通过流匹配框架将医学图像分割建模为学习时间依赖的向量场，以更高效地推断并保持生成模型的灵活性。引入双条件机制和频率感知注意力模块，提升结构一致性与边界定义。

Bridging visual saliency and large language models for explainable deep learning in medical imaging

弥合视觉显著性与大语言模型以实现医学影像中可解释的深度学习

Paul Valery Nguezet, Elie Tagne Fute, Yusuf Brima, Benoit Martin Azanguezet, Marcellin Atemkeng

机构 * Department of Mathematics and Computer science（数学与计算机科学系） ； Institute of Cognitive Science（认知科学研究所） ； Rhodes University（罗德斯大学） ； National Institute for Theoretical and Computational Sciences (NITheCS)（理论与计算科学国家研究所） 纠错

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

AI总结 本文提出一种多模态可解释框架，通过结合CNN和大语言模型，生成脑肿瘤分类的可操作临床见解，提升深度学习在医学影像中的透明度和临床责任性。

Seeing What Shouldn't Be There: Counterfactual GANs for Medical Image Attribution

看见不应存在的东西：用于医学图像归因的反事实GANs

Shakeeb Murtaza

机构 * COMSATS University Islamabad（卡姆萨特大学伊斯兰堡） 纠错

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

AI总结 本文提出基于反事实解释的类导向特征归因方法，通过生成对抗网络和循环一致性损失函数，提升医学图像分析的可解释性，并评估了反事实实例生成方法的有效性。

Optimizing In Vivo Oral Lesion Classification from Electrical Impedance Spectroscopy Using Data-driven Approaches

利用数据驱动方法优化从电阻抗谱进行体内口腔病变分类

Sophie A. Lloyd, Jacob P. Thönes, Safina S. Suratwala, Noor Zaghlula, Liang Lu, Joseph Paydarfar, Ethan K. Murphy, Sascha Spors, Ryan J. Halter

专题命中 医学影像 ：pathology(abstract)；diagnosis(abstract)；分类 eess.SP

AI总结 本文提出一种机器学习流程，通过减少数据维度并优化电阻抗特征，提高体内口腔病变分类的准确性，展示了在口腔癌早期诊断中的应用价值。

LiVeAction: a Lightweight, Versatile, and Asymmetric Neural Codec Design for Real-time Operation

LiVeAction：一种轻量、多功能且不对称的神经编解码器设计用于实时操作

Dan Jacobellis, Neeraja J. Yadwadkar

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 本文提出LiVeAction神经编解码器，通过降低编码器复杂度和替换损失函数，提升率失真性能，适用于低功耗传感器。

Comments DCC 2026

MTL-MAD: Multi-Task Learners are Effective Medical Anomaly Detectors

MTL-MAD：多任务学习者在医学异常检测中的有效性

Bogdan Alexandru Bercean, Florinel Alin Croitoru, Vlad Hondru, Ciprian Mihai Ceausescu, Andreea Iuliana Ionescu, Radu Tudor Ionescu

机构 * Rayscape ； University of Bucharest（布加勒斯特大学） ； Polytechnic University of Timişoara（蒂米什瓦拉工业大学） ； Colţea Clinical Hospital（科尔切亚医院） ； Carol Davila University of Medicine and Pharmacy（卡罗尔·迪瓦ila医学院和药理学大学） 纠错

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

AI总结 本文提出基于MoE的多任务学习模型，通过自监督和伪标签任务学习，有效检测医学图像中的异常，优于现有方法，并生成可解释的异常图。

ZScribbleSeg: A comprehensive segmentation framework with modeling of efficient annotation and maximization of scribble supervision

ZScribbleSeg: 一种综合分割框架，包含高效标注建模和scribble监督最大化

Ke Zhang, Bomin Wang, Hangqi Zhou, Xiahai Zhuang

机构 * School of Data Science, Fudan University, Shanghai, 200433, China（复旦大学数据科学学院） ； Department of Electrical and Computer Engineering, Johns Hopkins University, Baltimore, USA（约翰霍普金斯大学电气与计算机工程系） 纠错

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

AI总结 本文提出ZScribbleSeg框架，通过最大化scribble监督和随机模拟实现高效标注，结合先验知识提升医学图像分割性能，适用于六个任务。

Comments Accepted by Medical Image Analysis

Risk-Controlled Post-Processing of Decision Policies

受风险控制的决策策略后处理

Sunay Joshi, Tao Wang, Hamed Hassani, Edgar Dobriban

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 本文研究了在风险约束下如何通过后处理优化决策策略，提出了一种基于阈值结构的后处理方法，能够在保持基线策略一致性的前提下控制风险，实验验证了其在医疗诊断、LLM路由和多类决策任务中的有效性。