医学 AI

H3D-MarNet: Wavelet-Guided Dual-Path Learning for Metal Artifact Suppression and CT Modality Transformation for Radiotherapy Workflows

H3D-MarNet：基于小波引导的双路径学习用于金属伪影抑制和CT模态转换用于放疗工作流程

Mubashara Rehman, Niki Martinel, Michele Avanzo, Riccardo Spizzo, Christian Micheloni

机构 * Machine Learning and Perception Lab, Università degli Studi di Udine（机器学习与感知实验室，乌迪内大学） ； Centro di Riferimento Oncologico di Aviano IRCCS（阿维亚诺肿瘤参考中心） 纠错

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

AI总结 H3D-MarNet通过小波引导的双路径学习有效抑制金属伪影并实现CT模态转换，提升放疗图像质量与诊断准确性。

Comments Accepted for publication at the 28th International Conference on Pattern Recognition, Lyon, France August, 17-22, 2026

Multicenter Comparison of Radionuclide Calibrators and SPECT/CT Protocols for Quantitative 177Lu Imaging in Clinical Practice

多中心比较放射性示踪剂校准剂和SPECT/CT协议在临床实践中对177Lu定量成像的准确性

Wies Claeys, Kristof Baete, Laurence Beels, Claire Bernard, Rachele Danieli, Yves D' Asseler, An De Crop, Michel Hesse, Victor Nuttens, Bruno Vanderlinden, Michel Koole

专题命中 医学影像 ：CT(title,title_cn)

AI总结 研究比较了不同系统和医院使用放射性示踪剂校准剂和SPECT/CT对177Lu的测量准确性及变异性，发现标准化校准和重建协议能提高多中心定量SPECT/CT的可重复性。

Comments 30 pages, 20 figures. This version of the article has been accepted for publication, after peer review but is not the Version of Record and does not reflect post-acceptance improvements, or any corrections. The Version of Record is available online at EJNMMI Physics (2026)

NexOP: Joint Optimization of NEX-Aware k-space Sampling and Image Reconstruction for Low-Field MRI

NexOP：面向低场MRI的NEX感知k空间采样与图像重建联合优化

Tal Oved, Efrat Shimron

机构 * Department of Electrical and Computer Engineering, Technion – Israel Institute of Technology（电气与计算机工程系，技术学院–以色列理工学院） ； May-Blum-Dahl Technion Human MRI Research Center, Technion - Israel Institute of Technology（May-Blum-Dahl技术学院人类MRI研究中心，技术学院–以色列理工学院） ； Department of Biomedical Engineering, Technion – Israel Institute of Technology（生物医学工程系，技术学院–以色列理工学院） 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 NexOP通过深度学习框架联合优化多NEX采集的k空间采样与重建，针对低信噪比场景提升图像质量，实验表明其在不同加速因子和组织对比度下均优于其他方法。

A Comparative Analysis of CT Degradation for LDCT Nodule Classification using Radiomics

基于放射组学的LDCT结节分类中CT退化比较分析

Jiaying Liu, Anna Corti, Valentina D. A. Corino, Luca Mainardi

专题命中 医学影像 ：CT(title,title_cn)；分类 eess.IV

AI总结 本文通过生成合成LDCT图像增强数据集，比较三种退化方法在结节分类中的性能，验证了使用CycleGAN生成的图像在分类任务中表现更优。

DiffSegLung: Diffusion Radiomic Distillation for Unsupervised Lung Pathology Segmentation

DiffSegLung: 基于扩散的放射组学蒸馏用于无监督肺部病理分割

Rezkellah Noureddine Khiati, Pierre-Yves Brillet, Catalin Fetita

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

AI总结 本文提出DiffSegLung，通过引入扩散放射组学蒸馏方法，利用手工制作的放射组学描述符作为物理基础的教师，引导3D扩散U-Net的瓶颈层，提升无监督肺部病理分割性能。

ABRA: Agent Benchmark for Radiology Applications

ABRA：放射学应用代理基准测试

Bulat Maksudov, Vladislav Kurenkov, Kathleen M. Curran, Alessandra Mileo

机构 * School of Computing（计算学院） ； Dublin City University（都柏林城市大学） ； School of Medicine（医学院） ； University College Dublin（都柏林大学） 纠错

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

AI总结 ABRA是一个放射学代理基准测试，通过21个功能调用工具操作OHIF查看器和Orthanc DICOM服务器，包含655个生成任务，评估代理在规划、执行和结果方面的性能。

FEFormer: Frequency-enhanced Vision Transformer for Generic Knowledge Extraction and Adaptive Feature Fusion in Volumetric Medical Image Segmentation

FEFormer：频率增强的视觉变换器用于通用知识提取和自适应特征融合的体数据医学图像分割

Jin Yang, Xiaobing Yu, Peijie Qiu

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

AI总结 FEFormer通过引入频率增强模块，提升体数据医学图像分割的精度与效率，解决传统方法在局部细节和全局依赖捕捉上的不足。

Comments 20 pages, 8 figures, 9 tables

SplitFed-CL: A Split Federated Co-Learning Framework for Medical Image Segmentation with Inaccurate Labels

SplitFed-CL：一种用于带不准确标签的医学图像分割的分裂联邦协同学习框架

Zahra Hafezi Kafshgari, Hadi Hadizadeh, Parvaneh Saeedi

机构 * School of Engineering Science, Simon Fraser University, Burnaby, BC, Canada（工程科学学院，西蒙弗雷泽大学，本拿比，BC，加拿大） 纠错

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

AI总结 SplitFed-CL通过全局教师指导本地学生检测并修正不可靠标注，提升医学图像分割性能，实验显示其优于七种现有方法。

MieDB-100k: A Comprehensive Dataset for Medical Image Editing

MieDB-100k：用于医学图像编辑的综合数据集

Yongfan Lai, Wen Qian, Bo Liu, Hongyan Li, Hao Luo, Fan Wang, Bohan Zhuang, Shenda Hong

机构 * State Key Laboratory of General Artificial Intelligence, Beijing, China（1 国家一般人工智能重点实验室，北京，中国） ； School of Intelligence Science and Technology, Peking University, Beijing, China（2 智能科学与技术学院，北京大学，北京，中国） ； National Institute of Health Data Science, Peking University, Beijing, China（3 国家健康数据科学研究院，北京大学，北京，中国） ； DAMO Academy, Alibaba Group, Zhejiang, China（4 阿里巴巴集团 DAMO 院，浙江，中国） ； hupan lab, zhejiang province（5 鹏元实验室，浙江省） ； Zhejiang University, Zhejiang, China（6 浙江大学，浙江，中国） 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MieDB-100k数据集，通过数据筛选流程结合专家模型与规则生成方法，解决医学图像编辑中数据质量、多样性与可扩展性不足的问题，实验表明其在医学图像编辑任务中表现优异。

Beyond Masks: The Case for Medical Image Parsing

超越遮罩：医疗图像解析的必要性

Siddharth Gupta, Alan L. Yuille, Zongwei Zhou

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Northwestern University（西北大学） ； Johns Hopkins Medicine（约翰霍普金斯医学） 纠错

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

AI总结 医疗影像研究应转向医疗图像解析作为核心输出，通过结构化表示实体、属性与关系，实现一致且完整的描述，以提升诊断、重建和预测能力。

USEMA: a Scalable Efficient Mamba Like Attention for Medical Image Segmentation

USEMA: 一种可扩展且高效的Mamba类注意力机制用于医学图像分割

Elisha Dayag, Nhat Thanh Tran, Jack Xin

机构 * University of California Irvine（加州大学 Irvine 分校） 纠错

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

AI总结 USEMA结合了CNN的局部特征提取能力与SEMA注意力机制，通过局部窗口注意力和理论一致的算术平均，提升医学图像分割的计算效率和性能。

Principle-Guided Supervision for Interpretable Uncertainty in Medical Image Segmentation

基于原则的可解释不确定性监督在医学图像分割中

An Sui, Yuzhu Li, Gunter Schumann, Fuping Wu, Xiahai Zhuang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学脑启发智能科学研究院） ； National Heart and Lung Institute, Imperial College London（伦敦帝国理工学院国家心脏和肺研究所） 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PriUS框架，通过原则指导提升医学图像分割中不确定性的可解释性，实验表明其在保持分割性能的同时提升了不确定性估计的一致性。

Comments 14 pages, 8 figures

DSA-NRP: No-Reflow Prediction from Angiographic Perfusion Dynamics in Stroke EVT

DSA-NRP：从脑梗死 EVT 中的血管造影灌注动力学预测无再流

Shreeram Athreya, Carlos Olivares, Ameera Ismail, Kambiz Nael, William Speier, Corey Arnold

机构 * Department of Electrical and Computer Engineering, UCLA（电气与计算机工程系，加州大学洛杉矶分校） ； Medical Informatics, UCLA（医学信息学，加州大学洛杉矶分校） ； Department of Radiological Sciences, UCLA（放射科学系，加州大学洛杉矶分校） ； Department of Radiology, UC San Francisco（放射科，旧金山大学医学院） ； Department of Bioengineering, UCLA（生物工程系，加州大学洛杉矶分校） ； Department of Pathology and Laboratory Medicine, UCLA（病理学与实验室医学系，加州大学洛杉矶分校） 纠错

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

AI总结 本文提出基于DSA序列和临床变量的机器学习框架，用于在EVT后立即预测无再流，显著优于传统方法，为实时预测提供新方法。

Comments 15 pages, 4 figures

RoboBlockly Studio: Conversational Block Programming with Embodied Robot Feedback for Computational Thinking

RoboBlockly Studio：具有身体反馈的对话式积木编程用于计算思维

Leyi Li, Chenyu Du, Jiafei Sun, Erick Purwanto, Qing Zhang

机构 * Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学） 纠错

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 本文提出RoboBlockly Studio，结合积木编程、对话AI教学代理和具身机器人执行，通过迭代循环提升学生计算思维能力，探讨AI与机器人在教育中的应用。

Comments Accepted to ACM DIS 2026. Camera-ready version

Intermittent two-phase flow in porous media: insights from pore-scale direct numerical simulation

孔隙介质中间歇两相流：来自孔尺度直接数值模拟的见解

Alexandra Karabasova, Sajjad Foroughi, Martin J. Blunt, Branko Bijeljic

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 研究通过孔尺度直接数值模拟揭示了多相流中间歇性现象，展示了压力重分布与非润湿相流动的强耦合，阐明了间歇性如何导致从线性到亚线性区域的转变。

Diverse yet consistent: How mathematicians position computational thinking across research and teaching

多样而一致：数学家如何在研究和教学中定位计算思维

Jan-Fredrik Olsen, Tor Ole B Odden, Elise Lockwood

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 研究探讨数学家在教学与研究中如何定位计算思维，通过分析15位数学家的访谈，发现三种视角影响其对计算思维的定位，揭示计算思维与数学思维的冲突不仅是认知层面，也涉及本体层面。

Comments 22 pages

Few-Shot Synthetic Data Generation with Diffusion Models for Downstream Vision Tasks

少样本合成数据生成与扩散模型用于下游视觉任务

Daniil Dushenev, Nazariy Karpov, Daniil Zinovjev, Alexander Gorin, Konstantin Kulikov

机构 * National University of Science and Technology MISIS（俄罗斯莫斯科国立研究型技术大学） 纠错

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

AI总结 本文提出一种轻量级合成数据增强方法，通过微调LoRA适配器和预训练扩散模型生成合成样本，提升罕见类别的召回率和F1分数，适用于不同视觉领域。

Comments 5 pages, 3 figures, 1 table. Accepted at SynData4CV Workshop @ CVPR 2026

FlowDIS: Language-Guided Dichotomous Image Segmentation with Flow Matching

FlowDIS：基于流匹配的语言引导二元图像分割

Andranik Sargsyan, Shant Navasardyan

机构 * Picsart AI Research (PAIR)（Picsart AI研究院） 纠错

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

AI总结 本文提出FlowDIS，一种基于流匹配框架的二元图像分割方法，通过文本提示实现精确像素级对象分割，实验表明其在DIS-TE测试集上优于现有方法。

Comments Accepted to CVPR 2026