科学与医疗
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
细节一致的分阶段蒸馏用于高效3D MRI分割
机构 * University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔兰根-纽伦堡弗里德里希-亚历山大大学） ； UTHealth Houston（休斯顿UT健康）
专题命中 医学影像 ：MRI(title,title_cn)；medical image(abstract)；分类 cs.CV
AI总结 提出细节一致蒸馏（DCD）框架，通过小波分解对齐教师-学生特征，在分阶段蒸馏中保留多尺度结构细节，实现高效3D MRI分割。
Comments Accepted by MICCAI 2026. 11 pages, 3 figures
当大脑存在分歧：生物模糊性是结构MRI合成淀粉样蛋白PET挑战的基础
机构 * Hawkes Institute, University College London, UK（霍克斯研究所，伦敦大学学院，英国） ； Department of Medical Physics and Biomedical Engineering, University College London, UK（医学物理与生物医学工程系，伦敦大学学院，英国） ； AINOSTICS Ltd, Manchester, UK（AINOSTICS有限公司，曼彻斯特，英国） ； Dementia Research Centre, UCL Queen Square Institute of Neurology, University College London, UK（痴呆研究中心，伦敦大学学院女王广场神经科学研究所，英国） ； UK Dementia Research Institute, London, UK（英国痴呆研究研究所，伦敦，英国） ； Department of Computer Science, University College London, UK（计算机科学系，伦敦大学学院，英国）
专题命中 医学影像 ：MRI(title,title_cn)；pathology(abstract)；分类 cs.CV
AI总结 通过控制实验证明，结构MRI到淀粉样蛋白PET合成性能受限的根本原因是生物模糊性（MRI与PET测量时间解耦的病理过程），而非模型架构能力，并表明引入血浆生物标志物等多模态信息可解决该问题。
Comments MICCAI 2026 accepted paper (no rebuttal)
基于MRI的深度学习模型在全膝关节置换预测中的泛化能力改进
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV、eess.IV；biomedical(journal_ref)
AI总结 针对MRI深度学习模型在不同来源数据上泛化性差的问题，提出用实例归一化替代批归一化、数据增强和对比损失的方法，在OAI数据集上显著提升分类性能。
Journal ref Proceedings of the 2025 32nd National and 10th International Iranian Conference on Biomedical Engineering (ICBME)
基于多重分形的掩码自编码器：在医学图像中的应用
机构 * Institute of Mathematics, Statistics and Scientific Computing - University of Campinas（数学、统计与科学计算研究所 - 卡波斯大学）
专题命中 医学影像 ：medical image(title,abstract)；CT(abstract,abstract_cn)；diagnosis(abstract)；分类 cs.CV
AI总结 提出一种利用多重分形测度（Renyi熵）优化掩码策略的掩码自编码器（MO-MAE），通过聚焦高复杂度区域提升医学图像分类性能。
Journal ref Proceedings VISAPP 2025, 769-776 (2025)
轴向中心跨平面注意力用于3D医学图像分类
机构 * National Heart Centre Singapore, Singapore（新加坡国家心脏中心） ； CVS.AI, National Heart Research Institute of Singapore, Singapore（CVS.AI、新加坡国家心脏研究院） ； Independent Researcher, Republic of Korea（韩国独立研究员）
专题命中 医学影像 ：medical image(title,abstract)；CT(abstract,abstract_cn)；分类 cs.CV
AI总结 提出轴向中心跨平面注意力架构，通过不对称建模解剖平面间依赖关系，在MedMNIST3D基准上优于现有3D和多平面模型。
Comments Submitted to BMVC 2026
RadJEPA：基于联合嵌入预测架构的胸部X光放射学编码器
机构 * Department of Computer Science and Engineering, Indian Institute of Technology Bombay（印度理工学院孟买分校计算机科学与工程系） ； Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Koita Centre for Digital Health, Indian Institute of Technology Bombay（印度理工学院孟买分校Koita数字健康中心）
专题命中 医学影像 ：radiology(title,abstract)；medical image(abstract)；分类 cs.CV
AI总结 提出RadJEPA，一种无需语言监督的自监督框架，通过联合嵌入预测架构在约84万张无标签胸部X光图像上预训练，学习预测掩码区域的潜在表示，在放射学报告生成等任务中达到或超越现有基线。
面向同步损伤下DAB信号的接收端中心TDOA定位框架
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 eess.SP
AI总结 针对GNSS拒止环境中的同步损伤问题，提出基于DAB信号的接收端中心多通道TDOA定位框架，利用空符号和相位参考符号实现同步，通过双差分、峰值旁瓣比加权和偏差校正提高鲁棒性，并采用CT-EKF滤波提升精度。
Comments Accepted for presentation at SIU 2026. 4 pages, 4 figures
超越迁移准确率：用于受控低资源适应的忠实电路
机构 * Monash University Indonesia（印度尼西亚墨尔本大学） ； Institute Teknologi Bandung（Bandung理工大学） ； MBZUAI（MBZUAI研究所） ； Boston University（波士顿大学）
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.LG
AI总结 提出基于上下文分解的电路发现方法（CD-T），通过标签平衡激活均值和任务方向相关性评分实现无反事实电路发现，并利用电路目标监督微调（CT-SFT）在低资源跨语言情感迁移中最小化灾难性遗忘，优于全局微调。
Chaos-SSL：基于混沌变换的注意力自监督学习框架用于医学图像分类
机构 * Institute of Mathematics, Statistics and Scientific Computing, University of Campinas（数学、统计与科学计算研究所，坎皮纳斯大学）
专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV
AI总结 提出Chaos-SSL框架，利用一维混沌映射作为非线性数据增强进行自监督预训练，并结合注意力融合模型，在皮肤病变和糖尿病视网膜病变分类上达到与最先进方法竞争的性能。
Journal ref In Proceedings of VISAPP 2026 - Volume 1, pages 574-581
CSV-ViT: 一种使用可变大小皮层超顶点的视觉Transformer用于阿尔茨海默病病理检测
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Hankuk University of Foreign Studies（韩国家 foreign 学院）
专题命中 医学影像 ：MRI(abstract,abstract_cn)；diagnosis(abstract)；分类 cs.CV、cs.LG
AI总结 提出一种保留感兴趣区域的、基于顶点的可变大小皮层表面分块方法（皮层超顶点），并设计可变大小补丁兼容的视觉Transformer（CSV-ViT），在阿尔茨海默病诊断、淀粉样蛋白阳性和tau蛋白阳性三分类任务中优于现有表面模型。
Normal Guidance is what Attention Needs
机构 * Department of Computer Science（计算机科学系）
专题命中 医学影像 ：CT(abstract,abstract_cn)；medical image(abstract)；分类 cs.LG
AI总结 提出Normal Guidance正则化技术，使基于注意力的多实例学习方法在3D医学图像切片级定位上超越现有方法，同时保持全扫描分类性能。
探索基于强化学习的纤维追踪中TractOracle方法的鲁棒性
机构 * Department of Computer Science, Faculty of Science, University of Sherbrooke（谢布罗克大学计算机科学系）
专题命中 医学影像 ：MRI(abstract,abstract_cn)；medical image(comments,journal_ref)；分类 cs.LG
AI总结 本文通过整合强化学习的最新进展，扩展了TractOracle-RL框架，并引入迭代奖励训练（IRT）方法，实验表明基于oracle的RL方法在准确性和解剖有效性上显著优于传统纤维追踪技术。
Comments 38 pages, 8 figures. Submitted to Medical Image Analysis
Journal ref Medical Image Analysis, December 2025
机器学习研究者关于医学图像分类迁移学习的直觉
机构 * IT University of Copenhagen（丹麦技术大学） ； University of Antwerp（安特卫普大学） ； University of Barcelona（巴塞罗那大学）
专题命中 医学影像 ：medical image(title)；分类 cs.CV
AI总结 通过任务调查揭示机器学习从业者选择源数据集的直觉依据，发现选择依赖于任务、社区实践和相似性感知，但相似性与性能并不一致，且缺乏伦理考量。
Comments Under review
1.5 T 下使用 blipped-CAIPI 同步多层成像的实时螺旋 bSSFP CMR 的快速在线深度伪影抑制
机构 * Centre for Translational Cardiovascular Imaging, Institute of Cardiovascular Science, University College London（转化心血管成像中心，心血管科学研究所，伦敦大学学院） ； Clinical Physiology, Department of Clinical Sciences Lund, Lund University, Skåne University Hospital（临床生理学，临床科学系，伦德大学，斯德哥尔摩大学医院） ； Department of Biomedical Engineering, Faculty of Engineering, Lund University（生物医学工程系，工程学院，伦德大学） ； Research & Collaborations GBI, Siemens Healthcare Ltd（研究与合作GBI，西门子医疗有限公司）
专题命中 医学影像 ：MRI(abstract,abstract_cn)；分类 cs.LG、eess.IV
AI总结 针对实时同步多层 bSSFP 心脏磁共振成像中采集和重建时间长的问题，提出基于 3D U-Net 的深度伪影抑制方法，实现快速在线重建，显著缩短采集和重建时间，同时保持诊断图像质量。
基于侧信息的推理时搜索用于扩散模型图像重建
机构 * Department of Electrical and Computer Engineering, Texas A&M University（电气与计算机工程系，德克萨斯A&M大学）
专题命中 医学影像 ：MRI(abstract,abstract_cn)；分类 cs.CV、cs.LG
AI总结 提出一种即插即用、无需训练的推理时搜索框架，将侧信息融入现有扩散模型逆问题求解器，显著提升重建质量。
可解释的跨疾病推理：基于低剂量计算机断层扫描的心血管风险评估
机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Department of Radiation Oncology（放射肿瘤学部） ； Winship Cancer Institute, Emory University（埃默里大学Winship癌症研究所）
专题命中 医学影像 ：CT(summary_cn)；分类 cs.CV、cs.LG
AI总结 提出一种可解释的跨疾病推理框架，通过提取肺部发现、基于医学知识进行跨器官机制推理，并结合心脏子体积特征，从低剂量胸部CT中实现心血管风险评估，在NLST队列中AUC达0.919。
INTERACT-CMIL：用于结膜黑色素细胞上皮内病变分级的任务共享学习与任务间一致性
机构 * Clinic for Diagnostic and Interventional Radiology, University Hospital Bonn, Germany（波恩大学诊断与介入放射科） ； Department of Ophthalmology, Friedrich-Alexander University Erlangen-Nürnberg, Germany（埃尔兰根-纽伦堡弗里德里希-亚历山大大学眼科部） ； TUM School of Computation, Information and Technology, Technical University of Munich, Germany（慕尼黑技术大学计算、信息与技术学院） ； Munich Center for Machine Learning, Germany（慕尼黑机器学习中心） ； Helmholtz AI, Helmholtz Center Munich, Germany（海德堡人工智能，海德堡慕尼黑研究中心）
专题命中 医学影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV、cs.LG
AI总结 提出INTERACT-CMIL多任务深度学习框架，通过共享特征学习、组合部分监督和任务间一致性损失联合预测五个组织病理学轴，在486张结膜活检图像数据集上相比CNN和基础模型实现最高55.1%的宏F1提升。
Journal ref IEEE ISBI 2026
MedVol-R1：基于奖励驱动的证据基础用于体积推理分割
机构 * School of Biological Science and Medical Engineering, Beihang University, Beijing, China（生物科学与医学工程学院，北京航空航天大学） ； Center for Information and Computer Science, School of Science for Open and Environmental Systems, Graduate School of Science and Technology, Keio University, Kanagawa, Japan（信息与计算机科学中心，开放与环境系统科学学院，科技研究生学校，东京大学，神奈川，日本） ； Bytedance Inc., China（字节跳动公司，中国） ； Tsinghua University, Beijing, China（清华大学，北京，中国）
专题命中 医学影像 ：CT(abstract,abstract_cn)；分类 cs.CV
AI总结 提出MedVol-R1框架，通过强化学习将临床推理解耦为可验证的2D证据锚点，再传播为3D掩膜，实现体积推理分割，在多个基准上达到最优性能。
无数据？没问题：面向缺失值的鲁棒视觉-表格学习
机构 * School of Computation, Information and Technology, Technical University of Munich, Germany（计算、信息与技术学院，慕尼黑技术大学，德国） ； Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich, Germany（生物医学成像中的机器学习研究所，海德堡慕尼黑，德国） ； School of Biomedical Engineering and Imaging Sciences, King’s College London, UK（生物医学工程与成像科学学院，伦敦国王学院，英国） ； Department of Diagnostic and Interventional Radiology, TUM University Hospital, Technical University of Munich, Germany（诊断与介入放射科，慕尼黑技术大学医院，德国） ； Munich Center for Machine Learning, Germany（慕尼黑机器学习中心，德国）
专题命中 医学影像 ：MRI(abstract,abstract_cn)；分类 cs.CV
AI总结 提出RoVTL框架，通过对比预训练中的表格属性缺失增强和下游任务中的Tabular More vs. Fewer损失，实现从0%到100%表格数据可用性下的鲁棒多模态学习。
可靠提取临床随访指令：一种混合神经符号管道
机构 * Bar-Ilan University（巴伊兰大学） ； Afeka College of Engineering（阿菲卡工程学院） ； Holon Institute of Technology（霍洛恩理工学院）
专题命中 医学影像 ：MRI(abstract,abstract_cn)
AI总结 提出混合神经符号管道，结合BioBERT实体提取和确定性日期算术，在合成门诊笔记上实现接近完美的(动作, 日期)对提取F1分数，优于直接生成方法。
Comments 17 pages, 5 figures
神经细胞自动机中的预测不确定性测量
机构 * Computational Health Center, Helmholtz Munich, Neuherberg, Germany（赫尔姆霍茨慕尼黑计算健康中心） ； Helmholtz AI, Helmholtz Munich, Neuherberg, Germany（赫尔姆霍茨慕尼黑人工智能研究所） ； Computer Aided Medical Procedures, Technical University of Munich, Munich, Germany（慕尼黑技术大学计算机辅助医疗程序研究所） ； Munich Center for Machine Learning, Munich, Germany（慕尼黑机器学习中心） ； Department of Medicine III, Ludwig-Maximilian-University Hospital, Munich, Germany（慕尼黑路德维希-马克西米利安大学医院第三医学部） ； Department of Physics, University of Munich, Munich, Germany（慕尼黑大学物理系） ； German Cancer Consortium (DKTK), partner site Munich, Germany（德国癌症研究中心（DKTK）慕尼黑分部）
专题命中 医学影像 ：medical image(abstract,comments)；分类 cs.CV、eess.IV
AI总结 提出一种基于动态系统收敛性的不确定性度量方法，通过扰动自动机状态并观察预测稳定性来评估神经细胞自动机在医学图像分割中的可信度。
Comments Accepted for publication at the 29th International Conference on Medical Image Computing and Computer Assisted Intervention - MICCAI 2026
SCKAN: 基于结构一致性的KAN原型学习用于半监督胰腺分割
机构 * School of Computer Science and Technology, Tongji University, Shanghai, China（同济大学计算机科学与技术学院） ； Artificial Intelligence Institute, Shanghai University, Shanghai, China（上海大学人工智能研究院） ； Department of Computer and Data Science and Department of Biomedical Engineering, Case Western Reserve University, Cleveland, USA（凯斯西储大学计算机与数据科学系及生物医学工程系）
专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV；medical image(comments)
AI总结 针对半监督胰腺分割中稀疏监督导致的监督偏差问题，提出基于结构一致性的KAN原型学习方法（SCKAN），通过跨样本结构一致性学习和KAN自适应融合实现更泛化且准确的分割。
Comments 10.5 pages, 5 figures, Medical Image Computing and Computer Assisted Intervention 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈