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。
生成报告还是重复模板？测量和缓解三维CT报告生成中的模板崩溃
机构 * Technical University of Munich (TUM)（慕尼黑技术大学） ； TUM Hospital（TUM医院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
专题命中 医学影像 ：CT(title,title_cn)；pathology(abstract)；radiology(abstract)；分类 cs.CV
AI总结 针对三维CT报告生成中模型输出多样性低、病理检测能力差的模板崩溃问题，提出解耦框架CLarGen，通过分离临床检测与语言合成，显著提升临床准确性并保持报告流畅性。
LegSegNet：用于下肢CT组织分割与量化的公共深度学习系统
机构 * Department of Electrical and Computer Engineering, Duke University（杜克大学电气与计算机工程系） ； Department of Biostatistics & Bioinformatics, Duke University（杜克大学生物统计与生物信息学系） ； Department of Radiology, Duke University（杜克大学放射学系） ； Department of Computer Science, Duke University（杜克大学计算机科学系） ； Department of Surgery, Duke University（杜克大学外科系）
专题命中 医学影像 ：CT(title,title_cn)；medical image(abstract)；分类 cs.CV
AI总结 提出LegSegNet深度学习系统，实现下肢CT中骨骼、肌肉、皮下脂肪和肌间/肌内脂肪的自动分割与量化，在测试集上平均Dice达89.31，是首个公开的端到端系统。
Comments 9 pages
MoE-dqINR：用于特定扫描动态和定量MRI重建的统一混合专家隐式神经表示框架
机构 * Department of Bioengineering and I-X, Imperial College London（生物工程系和I-X，帝国理工学院伦敦分校） ； Cardiovascular Research Centre, Royal Brompton Hospital（心脏血管研究中心，皇家布隆特医院） ； National Heart and Lung Institute, Imperial College London（国家心脏和肺研究所，帝国理工学院伦敦分校） ； School of Biomedical Engineering & Imaging Sciences, King’s College London（生物医学工程与成像科学学院，伦敦国王学院） ； Shanghai Pudong Hospital and Human Phenome Institute, Fudan University（上海浦东医院和人类表型研究所，复旦大学） ； International Human Phenome Institute (Shanghai), Shanghai, China（国际人类表型研究所（上海），上海，中国）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV、eess.IV、eess.SP
AI总结 提出MoE-dqINR框架，通过共享空间专家和状态条件路由路径，实现高效、统一的特定扫描多线圈动态和定量MRI重建，优化时间约30秒。
基于整流流的胶质瘤患者放疗前先验信息治疗后脑MRI预测
机构 * Amsterdam UMC, Department of Radiation Oncology（阿姆斯特丹大学医学中心放射肿瘤科） ； Cancer Center Amsterdam, Imaging and Biomarkers（阿姆斯特丹癌症中心影像与生物标志物） ； Department of Radiology and Nuclear Medicine（放射科与核医学科） ； Amsterdam UMC, Vrije Universiteit Amsterdam, Amsterdam Neuroscience, Brain Imaging（阿姆斯特丹大学医学中心、阿姆斯特丹自由大学、阿姆斯特丹神经科学、脑成像）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV、eess.IV
AI总结 提出一种基于整流流的条件图像生成模型，利用放疗前MRI和剂量图预测治疗后任意时间点的脑MRI，实现快速推理并保持语义和视觉保真度。
Comments 10 pages, 6 figures, 1 supplementary table, added GitHub url, corrected figure captions
用于3D CT重建、增强和生成的基础VAE
机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Duke-NUS Medical School（duke-nus 医学院） ； Microsoft Research（微软研究院）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 本文发现，在自然图像上预训练的基础VAE可直接用于CT重建、增强和生成，无需训练或微调，通过冻结编解码器实现解剖结构保留和噪声抑制，并在分割和生成任务上取得显著提升。
Comments ICML 2026 Accepted
基于相位对比MRI的主肺动脉速度剖面不确定性感知估计的贝叶斯框架
专题命中 医学影像 ：MRI(title,title_cn)
AI总结 提出一个贝叶斯框架，结合二维相位对比MRI和机理速度剖面公式，生成考虑不确定性的个体化肺动脉速度表示。
利用超表面散射实现7特斯拉脑磁共振成像中的体积B1+场均匀化
专题命中 医学影像 ：MRI(title,summary_cn)；分类 eess.IV
AI总结 提出基于散射理论的超表面设计方法，通过系统寻找散射ansatz并采用剪枝技术最小化参与模式，在7特斯拉MRI中实现体积场均匀性，将场均匀性提升两倍以上并抑制局部加热，性能优于商用3特斯拉MRI。
Comments 47 pages, 17 figures
Journal ref ACS Photonics 13, 1693 (2026)
BiSegMamba: 用于3D医学图像分割的高效双向三向Mamba
机构 * School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； State Key Laboratory of Virtual Reality Technology and Systems, Beihang University（北航虚拟现实技术与系统国家重点实验室）
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BiSegMamba，一种基于双向三向Mamba的高效3D医学图像分割网络，通过渐进压缩主干、多尺度空间混合器、双向正交Mamba块和自适应方向融合，在降低计算成本的同时提升分割精度。
Comments 10 pages, 7 figures, 5 tables. Code is available at: https://github.com/bakhtzadaabshare/BiSegMamba
基于直方图正则化潜扩散模型的可控肺结节合成
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Department of Radiology and Nuclear Medicine, University Medical Center Mannheim, Heidelberg University（放射学与核医学科，曼海姆大学医学中心，海德堡大学）
专题命中 医学影像 ：CT(summary_cn,abstract)；diagnosis(abstract)；分类 cs.CV、cs.LG
AI总结 提出一种直方图正则化潜扩散模型，通过结合亚型、空间掩码和HU直方图条件以及可微特征空间直方图正则化项，在3D CT体积中合成肺结节，以准确建模结节特异性强度分布，提高视觉真实感和亚型一致性。
基于医学图像报告的情境感知中间件：一种基于图像特征提取和关联规则的方法
机构 * Department of Computer Science（计算机科学系） ； Departament of Mathematics & Statistics（数学与统计学系） ； Universidade Federal Fluminense（联邦Fluminense大学） ； York University（约克大学）
专题命中 医学影像 ：medical image(title,abstract)；diagnosis(abstract)；分类 cs.CV、cs.LG
AI总结 提出一种情境感知中间件，通过图像特征提取和关联规则，自动将医学图像分派给最合适的医疗人员，以提高医疗工作流程效率。
Journal ref 2015 IEEE/ACS 12th International Conference of Computer Systems and Applications (AICCSA)
利用术前计算机断层扫描自动预测术后胰瘘
机构 * Department of Surgery, Mayo Clinic, Rochester, MN, USA（梅奥诊所外科部，罗切斯特，明尼苏达州，美国） ； Department of Surgery, University of Auckland, Auckland, NZ（奥克兰大学外科部，奥克兰，新西兰） ； Kern Center for the Science of Health Care Delivery, Mayo Clinic, Rochester, MN, USA（健康照护科学中心，梅奥诊所，罗切斯特，明尼苏达州，美国） ； Department of Artificial Intelligence（人工智能部）
专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV、cs.LG、q-bio
AI总结 提出一种从胰腺分割到分类的端到端深度学习流程，利用术前CT扫描自动预测术后胰瘘风险，为临床决策提供工具和方法基准。
BackSplit：在生物医学病灶分割中细分背景的重要性
机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技） ； Weill Cornell Medicine（韦尔医学院）
专题命中 医学影像 ：biomedical(title)；medical image(abstract)；分类 cs.CV
AI总结 提出BackSplit方法，通过将背景细分为多个子类（如组织、器官）进行训练，在不增加推理成本的情况下显著提升小病灶分割性能，并从信息论角度证明其有效性。
Comments Accepted to CVPR 2026
基于小波图像变换和频谱流匹配的功能磁共振时间序列生成用于脑疾病识别
机构 * School of Information Technology, Monash University Malaysia（墨尔本大学马来西亚分校信息科技学院） ； School of Engineering, Monash University Malaysia（墨尔本大学马来西亚分校工程学院） ； Statistics Program, King Abdullah University of Science and Technology（国王阿卜杜勒·阿齐兹大学科学与技术学院统计学项目）
专题命中 医学影像 ：MRI(title)；分类 cs.CV、cs.LG、eess.SP
AI总结 提出双频谱流匹配（DSFM）框架，通过离散小波变换和离散余弦变换对BOLD信号进行双频表示，结合频谱流匹配生成类条件余弦频率表示，再经逆变换重建生理上合理的时域BOLD信号，以改善下游脑网络分类。
Comments Accepted at the Fourteenth International Conference on Learning Representations (ICLR 2026)
一种新颖的全局上下文感知深度神经网络用于基于磁共振图像的增强脑肿瘤分割
机构 * National Institute of Technology Silchar（全国理工学院锡拉char分校）
专题命中 医学影像 ：MRI(abstract,abstract_cn)；diagnosis(abstract)；分类 cs.CV
AI总结 提出全局上下文感知的挤压激励残差UNet（GCSER-UNet），融合空间和通道注意力，在TCGA LGG和BraTS 2020数据集上取得优于现有技术的Dice分数。
Comments 11 pages, 9 figures, 6 tables. Submitted to arXiv cs.CV
KLIP：通过逆问题中扩散先验的KL散度进行局部分布偏移检测
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 医学影像 ：CT(abstract,abstract_cn)；分类 cs.CV、cs.LG
AI总结 提出基于KL散度的OOD检测指标，无需校准数据或偏移分布知识，可检测并定位图像中的局部分布偏移。
Comments CVPR 2026
结合笛卡尔和非笛卡尔加速技术与SPARKLING实现一分钟内1mm各向同性全脑MPRAGE
专题命中 医学影像 ：MRI(abstract,abstract_cn)；分类 eess.SP
AI总结 提出GoLF-SPARKLING框架，联合利用GRAPPA并行成像和变密度压缩感知，实现一分钟内高分辨率全脑成像，图像质量优于单独使用任一加速技术。
SpaMEM：具身环境中通过感知-记忆集成进行动态空间推理的基准测试
机构 * The University of New South Wales（新南威尔士大学） ； The University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Xinjiang University（新疆大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 医学影像 ：CT(abstract,abstract_cn)；分类 cs.CV
AI总结 提出SpaMEM基准，通过动作条件场景变换和多模态数据，分层评估多模态大模型在具身环境中的空间信念演化能力，揭示坐标一致性和视觉记忆瓶颈。
基于分数阶Bloch方程的磁共振动力学：一种混合计算框架
专题命中 医学影像 ：MRI(abstract,abstract_cn)
AI总结 采用Laplace残差幂级数方法求解分数阶Bloch方程，分析分数阶对磁化分量的影响，并通过误差分析和对比验证方法的可靠性和优越性。
张量列车在TPU、GPU和CPU架构上加速量子启发均匀化的性能基准测试
专题命中 医学影像 ：CT(abstract,abstract_cn)
AI总结 本文通过基准测试张量列车基本操作在TPU、GPU和CPU上的性能，并基于此调整超快速傅里叶变换均匀化算法以在加速器上运行，实现了对30亿至700亿网格点的高分辨率均匀化。
TTE-CAM：用于预训练黑盒CNN的自解释类激活图
机构 * Hertie Institute for AI in Brain Health, University of Tübingen, Germany（图宾根大学脑健康人工智能研究所）
专题命中 医学影像 ：medical image(abstract)；分类 cs.CV
AI总结 提出TTE-CAM框架，通过卷积替换分类头将预训练黑盒CNN转化为自解释模型，在保持预测性能的同时提供忠实解释。
Comments Accepted at MIDL 2026 in the short paper track
基于自适应空间特征融合增强的ResNet-50皮肤病变分类
机构 * Polytechnic Institute, Zhejiang University, Hangzhou, China（浙江大学杭州Polytechnic学院） ； Chu Kochen Honors College, Zhejiang University, Hangzhou, China（浙江大学杭州Chu Kochen荣誉学院） ； Alibaba Group, Chaoyang District, Beijing, China（北京朝阳区阿里巴巴集团） ； School of Information Science and Technology, Northeast Normal University, Changchun, China（吉林师范大学信息科学与技术学院） ； School of Mathematical Sciences, Zhejiang University, Hangzhou, China（浙江大学数学科学学院）
专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV
AI总结 提出一种结合自适应空间特征融合（ASFF）的改进ResNet-50模型，通过双分支结构融合多尺度语义和细节特征，在ISIC 2020子集上达到93.182%准确率，并有效泛化至ISIC 2019外部验证集。
多标签胸部X光分类中的不确定性及其解缠基准测试
机构 * Fraunhofer Heinrich-Hertz-Institut（弗劳恩霍夫海因里希-赫兹研究所） ； Technische Universität Berlin（柏林技术大学） ； The Berlin Institute for the Foundations of Learning and Data (BIFOLD)（柏林学习与数据基础研究所）
专题命中 医学影像 ：diagnosis(abstract)；分类 cs.LG
AI总结 本研究使用MIMIC-CXR-JPG数据集，对多标签胸部X光分类任务中的13种不确定性量化方法进行基准测试，评估了卷积和Transformer架构，并扩展了三种方法到多标签设置，揭示了不同方法和架构在不确定性估计和解缠认知与偶然不确定性方面的优缺点。
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