医学 AI

ALTER: Modeling Longitudinal Changes via Regional Differencing for 3D CT Report Generation

ALTER：基于区域差分的纵向变化建模用于3D CT报告生成

Dongchen Li, Jitao Liang, Wei Li

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

AI总结 针对3D CT报告生成中纵向变化建模不足的问题，提出ALTER模型，通过GPI、RPD、ICF模块实现，在两个数据集上取得最优性能。

Big, Bright, or Invisible: A Frozen-Feature Benchmark of 3D CT Foundation Models

大的、明亮的还是不可见的：3D CT基础模型的冻结特征基准测试

Maulik Chevli, Johannes Brandt, Rickmer Braren, Daniel Rueckert, Philip Müller

机构 * Technical University of Munich (TUM)（慕尼黑工业大学（TUM）） ； TUM University Hospital（慕尼黑工业大学医院） ； Imperial College London（伦敦帝国理工学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； UKE Hamburg（汉堡大学医院） 纠错

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

AI总结 本研究对10个冻结CT编码器开展基准测试，发现性能主要取决于异常的对比度与空间范围，小型低对比度病变仍是挑战，需区域或病变级预训练。

CT Open: An Open-Access, Uncontaminated, Live Platform for the Open Challenge of Clinical Trial Outcome Prediction

CT Open: 一个开放获取、无污染、实时平台，用于临床试验结果预测的开放挑战

Jianyou Wang, Youze Zheng, Longtian Bao, Hanyuan Zhang, Qirui Zheng, Yuhan Chen, Yang Zhang, Matthew Feng, Maxim Khan, Aditya K. Sehgal, Christopher D. Rosin, Ramamohan Paturi, Umber Dube, Leon Bergen

机构 * Laboratory for Emerging Intelligence, University of California, San Diego（新兴智能实验室，加州大学圣地亚哥分校） ； Department of Dermatology, University of California, San Diego（皮肤科系，加州大学圣地亚哥分校） ； Elsevier 纠错

专题命中 医学影像 ：CT(title,title_cn)；biomedical(abstract)

AI总结 本文介绍CT Open平台，通过开放挑战预测临床试验结果，采用自动化方法解决数据污染问题，提供训练集和测试基准，推动AI在现实结果预测中的应用。

Comments Published at Conference on Language Modeling (COLM), 2026

Sparse Mixture-of-Experts for Non-Uniform Noise Reduction in MRI Images

用于MRI图像非均匀降噪的稀疏混合专家模型

Zeyun Deng, Joseph Campbell

机构 * Purdue University（普渡大学） 纠错

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

AI总结 针对MRI图像非均匀噪声问题，提出细粒度稀疏混合专家框架，将图像分区域后路由至专用降噪CNN，在合成与真实脑部MRI数据集上性能优于现有方法，且泛化性良好。

Comments Accepted to the WACV Workshop on Image Quality

Journal ref in 2025 IEEE/CVF Winter Conference on Applications of Computer Vision Workshops (WACVW), Tucson AZ USA, pp 260-268

Zero-Shot Multi-Disease Labeling of Chest, Abdomen, and Pelvis CT Reports Using Open-Weight Large Language Models: The Effect of Labeling Conventions

评估大型语言模型在跨器官系统CT放射报告零样本疾病标注中的效果

Michael E. Garcia-Alcoser, Mobina Ghojoghnejad, Fakrul Islam Tushar, David Kim, Kyle J. Lafata, Geoffrey D. Rubin, Joseph Y. Lo

专题命中 医学影像 ：CT(title,title_cn)；radiology(comments)

AI总结 本研究评估了大型语言模型在CT报告零样本疾病标注中的效果，发现轻量级LLMs在多器官系统标注中表现优于规则方法，但需注意二元标签的局限性。

Comments 19 pages, 6 figures, 4 tables. Under review in Radiology: Artificial Intelligence

Multiparametric MRI Radiomics and Machine Learning Framework for Predicting Treatment Response in Glioblastoma

用于预测胶质母细胞瘤治疗反应的多参数MRI放射组学与机器学习框架

Suchibrata Patra

专题命中 医学影像 ：MRI(title,title_cn)；分类 q-bio

AI总结 本研究构建结合多参数MRI放射组学与MGMT状态的随机森林模型，实现胶质母细胞瘤放化疗后真性进展与假性进展的无创精准区分，性能优于多种对照方法。

Evaluation of Silicon-Based Photon-Counting CT for Coronary Stenosis Quantification with Realistic Coronary Artery Phantoms

基于真实冠状动脉模型的硅基光子计数CT在冠状动脉狭窄定量评估中的价值

Maria Jose Medrano, Jed Pack, Stephen Araujo, Grant M. Stevens, Koen Nieman, Ge Wang, Bruno De Man, Adam S. Wang

专题命中 医学影像 ：CT(title,title_cn)

AI总结 该研究以真实钙化冠状动脉模型为对象，对比dSi-PCCT与EID-CT，发现前者能显著提升冠状动脉狭窄定量评估的准确性，支持后续动态模型及临床CCTA评估。

Patient Pose Assessment Using a CT-Based Framework for Synthetic Data Generation

基于CT合成数据生成框架的患者姿态评估

Manuel Laufer, Dominik Mairhöfer, Malte Sieren, Hauke Gerdes, Fabio Leal dos Reis, Arpad Bischof, Thomas Käster, Erhardt Barth, Jörg Barkhausen, Thomas Martinetz

机构 * Institute for Neuro- and Bioinformatics, University of Lübeck（吕贝克大学神经与生物信息学研究所） ； University Medical Center Schleswig-Holstein（石勒苏益格-荷尔斯泰因大学医学中心） ； IMAGE Information Systems Europe GmbH（IMAGE信息系统欧洲有限公司） ； Pattern Recognition Company GmbH（模式识别有限公司） 纠错

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

AI总结 该研究提出基于CT的合成数据生成框架，用于解决放射图像患者姿态评估中真实训练数据获取难的问题，经3077对踝关节图像预训练后，真实踝关节姿态评估性能提升最多11个百分点。

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:027

Journal ref Machine.Learning.for.Biomedical.Imaging. 2026 (2026)

Bi-PT: Bidirectional Cross-Attention Point Transformers for Four-Chamber Heart Reconstruction from Sparse Cardiac MRI Data

Bi-PT：用于从稀疏心脏MRI数据重建四腔心的双向交叉注意力点变换器

Chenchuhui Hu, Shaoming Pan, Leon Axel, Meng Ye

机构 * University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； New York University（纽约大学） 纠错

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

AI总结 针对从稀疏心脏MRI数据重建四腔心的问题，Bi-PT通过双向点交叉注意力学习点特征，结合逐点语义标签改进对应估计，将变形场公式化为神经常微分方程，集成语义标签损失和添加平滑正则化，实验证明其性能准确且稳健。

Integrating Implicit and Explicit Relational Biases through Graph-Based Multiple Instance Learning: A Case Study in Skin Lesion Diagnosis

通过基于图的多实例学习整合隐式与显式关系偏差：皮肤病变诊断的案例研究

Rafał Buler, Jakub Buler, Maciej Bobowicz, Michał Grochowski

机构 * Gdańsk University of Technology（格但斯克工业大学） ； Medical University of Gdańsk（格但斯克医科大学） 纠错

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

AI总结 本研究提出双层级关系框架，结合隐式图像块关系建模与显式图结构消息传递，在ISIC-2018、ISIC-2019皮肤病变诊断基准上提升了平衡准确率，其中集成网格结构的图注意力网络表现最优。

Comments Accepted as a short paper for presentation at the 21st International Conference on Computational Intelligence Methods for Bioinformatics and Biostatistics (CIBB 2026)

Tree-NET: Enhancing 2D Medical Image Segmentation Through Efficient Low-Level Feature Training

Tree-NET：通过高效低级特征训练增强二维医学图像分割

Orhan Demirci, Bulent Yilmaz

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

AI总结 本文提出新型医学图像分割框架Tree-NET，采用双瓶颈监督的三组件架构，可降低计算开销，在皮肤病变、息肉分割任务上提升效率且保持精度，表现优于或匹配基线模型。

Comments This manuscript is 24 pages long, includes 10 figures and 4 tables, and presents a novel framework for medical image segmentation. It has been accepted from Neural Computing and Applications journal

Ultrasound Tomography of Musculoskeletal Tissues with Generative Neural Physics

生成式神经物理实现组织力学的定量体积超声成像

Zhijun Zeng, Youjia Zheng, Chang Su, Qianhang Wu, Hao Hu, Zeyuan Dong, Yang Lv, Ligang Cui, Zhiyong Hou, Weijun Lin, Zuoqiang Shi, Yubing Li, He Sun

机构 * College of Future Technology, Peking University（未来技术学院，北京大学） ； National Biomedical Imaging Center, Peking University（北京大学国家生物医学成像中心） ； Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系） ； School of Physical Sciences, University of Chinese Academy of Sciences（中国科学院大学物理科学学院） ； School of EECE, University of Chinese Academy of Sciences（中国科学院大学电子工程与计算机科学学院） ； Department of Orthopedics, Peking University Third Hospital（北京大学第三医院骨科部） ； Department of Ultrasound, Peking University Third Hospital（北京大学第三医院超声科） ； Department of Orthopaedic Surgery, The Third Hospital of Hebei Medical University（河北医科大学第三医院骨科部） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学姚期智数学科学中心） ； Yanqi Lake Beijing Institute of Mathematical Sciences and Applications（北京燕琦湖数学科学与应用研究院） 纠错

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

AI总结 该研究提出生成式神经物理框架，结合生成网络与物理信息神经模拟，实现了快速高保真三维超声断层成像，可在十分钟内重建组织参数三维图谱，分辨率媲美MRI，推动定量超声断层成像用于肌肉骨骼成像的临床应用。

MirrorNet: Can Medical Image Anonymization Really Protect Patient Identity?

MirrorNet：医学图像匿名化真的能保护患者身份吗？

Attila Simkó

机构 * Umeå University（于默奥大学） 纠错

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

AI总结 本研究提出MirrorNet模型，通过耦合循环一致变分自编码器发现去标识化医学扫描仍可识别患者，建议将其作为生物识别数据管理，相关代码与模型已公开。

Using LLMs to Detect Growth in Computational Thinking in Introductory Physics

使用大型语言模型（LLMs）检测入门物理课程中计算思维的发展

Sean Savage, Anand Shanker, Grace Michlitsch, N. Sanjay Rebello

专题命中 医学影像 ：CT(summary_cn,abstract)

AI总结 本研究探究用LLMs分析学生计算物理问题书面解释，发现其可复刻人工评估结果并规模化检测计算思维发展趋势，为大招生规模物理课程的CT评估提供可行方法。

Comments 1 figure, 2 tables. Submitted to Physics Education Research Conference (PERC) 2026

DistMedVL: Distributional Vision-Language Alignment for Uncertainty-Aware Medical Image Segmentation

DistMedVL：面向不确定性感知医学图像分割的分布视觉-语言对齐方法

Jiaxuan Li, Qing Xu, Xiangjian He, Yue Li, Daokun Zhang, Fiseha B. Tesema, Rong Qu

机构 * University of Nottingham Ningbo China（宁波诺丁汉大学） ； University of Nottingham（诺丁汉大学） 纠错

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

AI总结 针对医学图像分割中视觉-语言跨模态对齐的不确定性问题，提出DistMedVL概率框架，含PCM-Adapter等模块，在8个基准上以6.3M参数实现优于SOTA的性能，数据效率等更优。

Comments 10 pages, 5 figures

Context Matters: Support Set Selection and Failure Detection for In-Context Medical Image Segmentation

上下文很重要：用于上下文医学图像分割的支持集选择与失败检测

Youssef Gehad, Emmanuel Zerefa, Krish Kabra, Guha Balakrishnan

机构 * Rice University（莱斯大学） 纠错

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

AI总结 本研究针对上下文医学图像分割，提出基于相似度的支持集选择方法，训练Transformer分类器预测分割失败，可提升性能并为临床安全部署提供机制。

Comments 10 pages

MSA-DCNN: A Data-Efficient Multi-Scale Attention Deformable CNN for Medical Image Classification

MSA-DCNN：一种用于医学图像分类的数据高效多尺度可变形卷积神经网络

Hamza Hussaini, Shahana Bano, Eyad Elyan, Carlos Francisco Moreno-García

机构 * Robert Gordon University（罗伯特·戈登大学） 纠错

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

AI总结 针对现有医学图像分类方法难题，提出MSA-DCNN框架，引入自适应多尺度采样等技术，在统一优化方案中学习跨尺度融合等。实验表明其在多方面性能优于基线且参数少，消融实验证实组件贡献，为数据高效医学图像分类提供基础。

SemiSAM-O1: Pushing the Boundary of Annotation-Efficient Medical Image Segmentation with Generalist Knowledge Fusion

SemiSAM-O1: 我们能将标注高效的医学图像分割边界推到多远？

Yichi Zhang, Le Xue, Bichun Xu, Judong Luo, Zhigang Wu, Yu Fu, Zixin Hu, Yuan Cheng, Yuan Qi

机构 * Artificial Intelligence Innovation and Incubation Institute, Fudan University, Shanghai, China.（复旦大学人工智能创新与孵化院，上海，中国） ； Shanghai Academy of Artificial Intelligence for Science, Shanghai, China.（上海人工智能科学研究院，上海，中国） ； Department of Radiotherapy, Tongji Hospital, School of Medicine, Tongji University, Shanghai, China.（同济大学附属同济医院放疗科，上海，中国） ； School of Information Science and Engineering, Lanzhou University, Lanzhou, China.（兰州大学信息科学与工程学院，兰州，中国） ； Department of Information and Intelligence Development, Zhongshan Hospital, Fudan University, Shanghai, China.（复旦大学中山医院信息与智能发展科，上海，中国） 纠错

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

AI总结 SemiSAM-O1通过仅使用一个标注模板图像，在极端一标签设置下实现高效分割，通过特征表示能力提升和迭代训练优化，显著缩小了半监督与全监督的性能差距并降低计算开销。

A neural operator view on U-Nets for inverse imaging problems

逆成像问题中U-Net的神经算子视角

Alexander Auras, Martin Burger, Samira Kabri, Michael Moeller, Michael Schopf-Kuester

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

AI总结 本研究从神经算子视角分析逆成像问题的U-Net架构，对比不同神经算子U-Net的优缺点，发现经典U-Net对分辨率变化的鲁棒性优于天生分辨率不变的U型神经算子架构。

LADDER: Language-Driven Slice Discovery and Error Rectification in Vision Classifiers

Shantanu Ghosh, Rayan Syed, Chenyu Wang, Vaibhav Choudhary, Binxu Li, Clare B. Poynton, Shyam Visweswaran, Kayhan Batmanghelich

机构 * Boston University（波士顿大学） ； Stanford University（斯坦福大学） ； Boston University Medical Campus（波士顿大学医学校区） ； University of Pittsburgh（匹兹堡大学） 纠错

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

Comments ACL 2025. Code: https://github.com/batmanlab/Ladder

Journal ref Findings of the Association for Computational Linguistics: ACL 2025, pages 22935-22970

An open-source framework for predicting ultrasound neuromodulation: bridging tissue elastomechanics and neuron firing dynamics

开源超声神经调控预测框架：连接组织弹性力学与神经元放电动力学

Gianmarco Pinton

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 本研究提出开源计算框架，耦合多物理过程与多通路神经元模型，可预测超声神经调控的神经元放电区域，为超声神经调控的机制研究与安全评估提供空间分辨的可验证工具。

Commissioning and clinical outcome assessment of a novel surface-guided radiation therapy (SGRT) system at a C-Arm linear accelerator

在C臂直线加速器上新型表面引导放疗（SGRT）系统的调试与临床疗效评估

Hui Khee Looe, Niklas Felix Hendrik Bartner, Björn Poppe, Kay C. Willborn

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 本文评估了新型SGRT系统LUNA 3D在C臂直线加速器上的调试与临床应用，展示了其在患者定位精度提升方面的显著效果。

Fermiology, charge transfer energy, and robust paramagnons in high-$T_c$ cuprate superconductors

费米学、电荷转移能量和高临界温度氧化物超导体中的鲁棒反铁磁激子

Maciej Fidrysiak

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 研究通过Hubbard和t-J-U模型探讨高临界温度氧化物超导体中反铁磁激子能量与费米学及电荷转移能量的关系，揭示反铁磁激子能量在不同材料间的鲁棒性。

Journal ref Acta Phys. Pol. B 57, 5-A14 (2026)

Positive-Unlabeled Preference Optimization For Chest X-ray Report Generation

面向胸部X射线报告生成的正例-无标签偏好优化

Yuta Kobayashi, Pradyun Ramesh, Muhammad Ahmed Chaudhry, Vincent Jeanselme, Judy Wawira Gichoya, Sanmi Koyejo, Kathleen Capaccione, Shalmali Joshi

机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Emory University（埃默里大学） 纠错

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

AI总结 该研究针对放射报告生成VLM的遗漏噪声问题，提出PU-DPO框架，将未提及项视为无标签，通过对比对优化，提升病理检测率与隐藏正例恢复能力，增强对遗漏噪声的鲁棒性。

PromptForSegCXR: Prompt-Driven Multi-Organ and Multi-Disease Segmentation in Chest X-rays using a Multi-stage Fusion Mechanism

PromptForSegCXR：基于多阶段融合机制的胸部X线多器官与多疾病提示驱动分割

Abduz Zami, Shadman Sobhan, Rounaq Hossain, Md. Sawran Sorker, Mohiuddin Ahmed, Md. Redwan Hossain, Md Palash Uddin

机构 * 1 ,5Department of Computer Science \& Engineering,\ University of Engineering \& Technology, Rajshahi-6204, Bangladesh ； 2 Department of Electrical ； Electronic Engineering,\ University of Engineering ； Bachelor of Surgery,\ Suhrawardy Medical College , Sher-E-Bangla Nagar, Dhaka-1207 ； 6 Department of Biomedical Engineering,\ University of Engineering 纠错

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

AI总结 本研究提出轻量型双输入分割框架PromptForSegCXR，结合胸部X线与用户涂鸦提示实现多器官多疾病分割，构建含23类的专家设计涂鸦提示数据集，其Dice分数达81.62%，优于同类模型且保持轻量。

Comments 13 Pages

Does FLAIR super-resolution erase or hallucinate small white-matter lesions?

FLAIR超分辨率是清除还是幻觉了小白质病变？

Zahra Khodakarami, Yue Li, Pulkit Khandelwal, John Detre, Sandhitsu Das, Christopher Brown, David Wolk, Paul Yushkevich

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

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

AI总结 该研究针对FLAIR超分辨率是否影响白质病变的问题，采用ADNI数据对比多种上采样方法，发现超分辨率主要清除小病灶，ECLARE的小病灶信号恢复效果最优。

Comments 10 pages, 2 figures, 3 tables. Accepted at the 11th International Workshop on Simulation and Synthesis in Medical Imaging (SASHIMI 2026), held in conjunction with MICCAI 2026. This is the version submitted for review; the final authenticated version will appear in the Springer LNCS proceedings

STAIL: Semantic Text-Anchored Incremental Learning for Medical Imaging via Large Language Models

STAIL：基于大语言模型的医学影像语义文本锚定增量学习

Songpan Gao, Yajie Zhang, Guanxing Chen, Jiayu Qian, Zhenzhen Liu, Shijun Li, Xiaowei Zhu, Yao Hu, Kay Chen Tan, Yu-An Huang, Shiqi Wang, Zhi-An Huang

机构 * City University of Hong Kong (Dongguan)（香港城市大学（东莞）） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 针对医学影像分析深度学习模型的灾难性遗忘问题，提出STAIL框架，通过SCB和LSAM方法，在三个异构医学数据集上提升基线性能，即插即用且效果显著。

A Foundational EDM2-Based Generative Model for High-Resolution Synthetic Fetal Ultrasound Imaging from Open Datasets

基于EDM2的高分辨率合成胎儿超声成像基础生成模型，源自开放数据集

Harvey Mannering, Yilin Zhang, Ziao Liu, Zhiwu Huang, Jacqueline Matthew, Miguel Xochicale

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

AI总结 该研究针对胎儿超声AI数据稀缺问题，提出基于EDM2的合成框架，生成512×512图像，在分类任务中准确率达93.36%，优于真实数据训练结果，为胎儿超声AI提供开放资源。

Comments Short paper for the 30th Conference on Medical Image Understanding and Analysis