医学 AI

Improving Medical Image Generative Models with Fréchet Distance Loss

用弗雷歇距离损失改进医学图像生成模型

Andrew Marshall, Xuanang Xu, Xiaoran Zhang, Rui Wang, Lawrence Staib, James Duncan

机构 * Yale University（耶鲁大学） 纠错

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

AI总结 研究针对扩散生成模型难以捕捉异质性肿瘤复杂形态特征的问题，提出用弗雷歇距离损失微调模型，通过在多数据集上集成该损失，提升了下游分割网络性能，证明其是改进医学图像生成模型临床工作流程的有效正则化方法。

PPDM: Pixel Puzzling Diffusion Model for Speed and Memory Efficient Volumetric Medical Image Translation

PPDM: 像素拼图扩散模型用于速度和内存高效的体积医学图像翻译

Tianqi Chen, Jun Hou, Yinchi Zhou, James S. Duncan, Chi Liu, Bo Zhou

机构 * Department of Radiology, Northwestern University（西北大学放射学系） ； Department of Biomedical Engineering, Yale University（耶鲁大学生物医学工程系） ； Department of Radiology and Biomedical Imaging, Yale School of Medicine（耶鲁医学院放射学与生物医学影像系） 纠错

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

AI总结 提出像素拼图扩散模型（PPDM），通过可逆像素拼图操作和直接桥接扩散公式，在降低内存和加速推理的同时保持全局一致性，用于3D医学图像翻译。

Comments 12 pages, 5 figures, 5 tables

BATS: Resource-Efficient Volumetric Segmentation with Boundary-Aware Mixed-Resolution Tokens

BATS：基于边界感知混合分辨率令牌的资源高效体分割

David Hagerman, Roman Naeem, Fredrik Kahl

机构 * Chalmers University of Technology（查尔姆斯理工大学） 纠错

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

AI总结 BATS是一种边界感知混合分辨率的3D医学图像分割架构，通过稀疏层次结构减少内存占用，在保持接近密集基线精度的同时降低GPU内存消耗，部分数据集上推理速度提升。

Anatomically Consistent TMJ Disc Segmentation via Semantic Anchoring and Clinical Priors

基于语义锚定和临床先验的解剖一致性颞下颌关节盘分割

Dayun Ju, Chanyoung Kim, Sunyoung Jung, Hyo-Jung Jung, Chena Lee, Younjung Park, Seong Jae Hwang

机构 * Department of Artificial Intelligence, Yonsei University（燕山大学人工智能学院） ； Department of Computer Science, Emory University（埃默里大学计算机科学系） ； College of Dentistry, Yonsei University（燕山大学牙科学院） 纠错

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

AI总结 提出TISC框架，通过原型语义锚定模块定位关节盘，并利用临床元数据（开口受限指标）细化边界，在2488例MRI上实现Dice提升4.96，生成解剖一致的分割。

Comments 10 pages, 3 figures

Trimodal Glioma Representation Alignment via Volumetric Contrastive Learning

三模态胶质瘤表示对齐通过体积对比学习

Denise Marini, Eleonora Grassucci, Danilo Comminiello

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

AI总结 提出GLORIA框架，通过Gramian对比损失对齐组织病理、基因表达和MRI三模态特征，用于胶质瘤分级和生存预测，在132例患者数据上优于双模态基线。

Hybrid Classical-Quantum (HCQ) Alzheimer's Classification via Supervised $β$-VAE and Quantum Kernels

混合经典-量子（HCQ）阿尔茨海默病分类：基于监督β-VAE与量子核

Tia Tiwari, Vamshi Krishna Kancharla, Neelam Sinha

机构 * Centre for Brain Research, Indian Institute of Science（印度科学研究所脑研究中心） ； Vision and AI Lab (VAL), Indian Institute of Science（印度科学研究所视觉与人工智能实验室） 纠错

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

AI总结 提出两阶段混合经典-量子流水线，通过监督3D β-VAE压缩MRI为64维潜码，经PLS选择6个成分编码为6量子比特态，利用量子核SVM实现AD分类，在ADNI-1上达72.1%准确率与0.799 AUC。

Segmentation Pre-training for Label-Efficient Lumbar Spine Degeneration Grading

用于标签高效腰椎退变分级的分割预训练

Monzon Maria, Zisserman Andrew, Jutzeler Catherine R., Jamaludin Amir

机构 * ETH Zurich（苏黎世联邦理工学院） ； Swiss Institute of Bioinformatics (SIB)（瑞士生物信息学研究所） ； University of Oxford（牛津大学） 纠错

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

AI总结 本研究探究用分割预训练替代部分手动分级标注，在约2000名受试者的多中心腰椎MRI数据集上，该方法仅用20%分级标签即可接近全监督性能，提升了腰椎退变分级效果。

Comments The 2nd MICCAI Workshop on Efficient Medical AI (2026)

MedPlex: Deep Vision-Language Co-Adaptation for Clinically Grounded Medical Segmentation

MedPlex：用于临床基础医学分割的深度视觉-语言协同适配

Rafi Ibn Sultan, Hui Zhu, Chengyin Li, Dongxiao Zhu

机构 * Wayne State University（韦恩州立大学） ； Henry Ford Health（亨利福特医疗集团） ； Institute for AI and Data Science Wayne State University（韦恩州立大学人工智能与数据科学研究院） 纠错

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

AI总结 MedPlex是一种端到端VLM框架，通过双向融合和两级概念对齐，实现医学图像分割的视觉-语言协同适配，在CT、MR的多类医学分割任务中达到最优性能。

Comments Accepted By BMVC-2026

HounsWorld: A Multimodal World Model for Hidden Patient-State Readout, Reconstruction, and Simulation

HounsWorld：用于隐藏患者状态读取、重建与模拟的多模态世界模型

Yunhao Bai, Zhongwei Qiu, Guangyu Guo, Yiming Huang, Tony C. W. Mok, Qinji Yu, Ling Zhang, Yan Wang

机构 * East China Normal University（华东师范大学） ； DAMO Academy, Alibaba Group（阿里巴巴集团达摩院） ； Hupan Laboratory（湖畔实验室） ； Zhejiang University（浙江大学） 纠错

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

AI总结 该研究提出3B参数多模态世界模型HounsWorld，结合CT扫描与临床语言，通过共享潜在患者状态实现读取、重建、模拟三类任务，在HounsBench基准上表现优异，提升了CT理解能力。

Compositional Cross-Modality Translation via Whole-Volume Multitask Latent Flow Matching

基于全容积多任务潜在流匹配的组合跨模态医学图像转换

Daniele Molino, Alessio Zoboli, Camillo Maria Caruso, Valerio Guarrasi, Paolo Soda

机构 * Università Campus Bio-Medico di Roma（罗马 Campus Bio-Medico 大学） ； Umeå University（于默奥大学） ； UniCamillus – Saint Camillus International University of Health Sciences（UniCamillus – 圣卡米勒斯国际健康科学大学） 纠错

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

AI总结 该研究提出基于全容积多任务潜在流匹配的方法，解耦容积先验与跨模态映射目标，训练单个多任务模型实现跨/模态内转换，在全容积处理、零样本泛化等方面优于基线，为合成系统泛化提供可扩展途径。

Comments Accepted ad Sashimi 2026

UltraSAM3: A Concept-Driven Foundation Model for Universal Ultrasound Image Segmentation

UltraSAM3：一种用于通用超声图像分割的概念驱动基础模型

Bo Xu, Quanhao Zhu, Rui Lin, Boling Zhu, Chenyuan Wang, Hongfei Lin, Feng Xia, Chenhua Ji

机构 * Dalian University of Technology Affiliated Center Hospital（大连大学附属中心医院） 纠错

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

AI总结 针对现有超声分割方法的任务局限或需专家视觉提示问题，提出概念驱动的UltraSAM3模型及指令引导智能体，在多基准测试中性能优于同类模型，提升了临床交互的实用性。

RadHarmony: Radiological Data Handling in the Era of Agentic AI

RadHarmony：智能体AI时代的放射数据处理方案

Frank Li, Bardia Khosravi, Mohammadreza Chavoshi, Theo Dapamede, YoungSeok Jeon, Janice Newsome, Hari Trivedi, Judy Gichoya

机构 * Emory University（埃默里大学） ； Yale University（耶鲁大学） 纠错

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

AI总结 RadHarmony是一款开源Python库，用于统一处理异构放射数据集，引入AI智能体技能简化数据集整合，可预训练视觉Transformer基线并提供相关代码与模型权重。

Comparing the Performance of Foundation Model Derived Embeddings with Traditional Approaches for Distant Metastasis Prediction in Head and Neck Cancer

比较基于基础模型的嵌入与传统方法在头颈部癌远处转移预测中的性能

Erich Schmitz, Meixu Chen, Bowen Jing, Jing Wang

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

AI总结 本研究以RADCURE数据集2327例HNC患者术前CT图像为基础，对比CT基础模型嵌入、放射组学等特征集预测远处转移的性能，发现CT基础模型嵌入性能更优，可作为传统放射组学的替代方案

Comments 27 pages including supplemental materials, 5 main figures, 2 supplemental figures, 5 main tables, 7 supplemental tables. Poster Abstract at 2026 AAPM Meeting and Exhibition

Leveraging Pathology Co-occurrence for Test-Time Adaptation in Chest X-Ray Diagnosis

利用病理学共现进行胸部X光诊断的测试时适应

Woojin Jeong, Yujin Choi, Dongbin Kim, Soyeon Park, Jaewook Lee

机构 * Seoul National University（首尔国立大学） ； Nanyang Technological University（南洋理工大学） ； UNIST（蔚山科学技术院） 纠错

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

AI总结 研究针对医学影像模型在新临床地点性能下降问题，提出共现加权适应（CoWA）方法，利用疾病共现模式作适应可靠性信号，估计标签共现结构并降低偏离模式样本权重，在胸部X光基准测试中优于基线。

Comments Accepted to MICCAI 2026

Interpretable machine learning predicts Parkinson's disease severity using motion-corrected QSM MRI and multiband multiecho fMRI features

可解释机器学习利用运动校正QSM MRI和多波段多回波fMRI特征预测帕金森病严重程度

Aixa X. Andrade

机构 * Lyda Hill Department of Bioinformatics（Lyda Hill 生物信息学系） ； Department of Biomedical Engineering（生物医学工程系） ； University of Texas Southwestern Medical Center, Dallas, Texas, USA（德克萨斯西南医学中心，德克萨斯州达拉斯） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV、cs.LG、q-bio

AI总结 利用可解释机器学习，从QSM和多波段多回波静息态fMRI衍生的ReHo特征预测帕金森病运动严重程度。提取特征进行多模型实验，结果显示不同模型表现及特征贡献，表明结构和功能成像依临床预测目标作用不同。

Comments 16 pages from main manuscript and 17 pages from supplementary information

Does Your ViT Still Need U-Net for Segmentation?

你的ViT做分割还需要U-Net吗？

Xin Li, Wenhui Zhu, Xuanzhao Dong, Xiwen Chen, Yanxi Chen, Yujian Xiong, Hao Wang, Oana M. Dumitrascu, Yalin Wang

机构 * Arizona State University（亚利桑那州立大学） ； Clemson University（克莱姆森大学） ； Mayo Clinic（梅奥诊所） 纠错

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

AI总结 本文探究现代ViT骨干网络下医学图像分割是否仍需U-Net解码器，并提出基于查询的纯编码器分割框架EoSeg，在多个数据集上取得优异性能。

Comments 8 pages, 4 figures

HiMatch-AD: DINOv3-driven Hierarchical Matching for Training-free Medical Anomaly Detection

HiMatch-AD: 基于DINOv3驱动的分层匹配的无训练医学异常检测

Jiayu Huo, Jingyuan Hong, Meng Zhou, Liyun Chen, Le Zhang

机构 * Imperial College London（帝国理工学院） ； SonoScape Medical Corp.（深圳开立生物医疗科技股份有限公司） ； University of Birmingham（伯明翰大学） 纠错

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

AI总结 提出HiMatch-AD框架，利用DINOv3预训练模型进行分层匹配，通过双分支检索、多阶段分层异常图生成和不确定性融合实现无训练医学异常检测，在BMAD基准上优于现有方法。

Comments 10 pages, 2 figures, 2 tables

From Convolution to Transformer: A Comparative Study of U-Net Variants for Brain Tumor and Retinal Vessel Segmentation

从卷积到Transformer：用于脑肿瘤和视网膜血管分割的U-Net变体比较研究

Khoa Pham, Sindhuja Penchala, Jiacheng Li, Andy Perkins, Noorbakhsh Amiri Golilarz

机构 * Mississippi State University（密西西比州立大学） ； The University of Alabama（阿拉巴马大学） 纠错

专题命中 医学影像 ：MRI(abstract,abstract_cn)；medical image(abstract)；diagnosis(abstract)；biomedical(abstract)

AI总结 比较五种U-Net变体（U-Net 3D、Residual U-Net、Attention U-Net、UNETR、Swin UNETR）在脑肿瘤和视网膜血管分割任务上的性能，发现基于Transformer的Swin UNETR在全局上下文建模中表现最佳。

Multi-Class Brain Tumor Classification Using Advanced Deep Learning Models: A Comparative Study

使用先进深度学习模型的多类脑肿瘤分类：一项比较研究

Asad Channa, Asghar Ali Chandio, Akhtar Hussain Jalbani, Mehwish Leghari, Shahzad Memon

机构 * Department of Computer Science, Quaid-e-Awam University of Engineering, Sciences & Technology（夸迪-艾瓦姆工程、科学与技术大学计算机科学系） ； Department of Artificial Intelligence, Quaid-e-Awam University of Engineering, Sciences & Technology（夸迪-艾瓦姆工程、科学与技术大学人工智能系） ； The Faculty of Artificial Intelligence and Cyber Security, Universiti Teknikal Malaysia Melaka（马来西亚梅拉卡技术大学人工智能与网络安全学院） ； Department of Data Science, Quaid-e-Awam University of Engineering, Sciences & Technology（夸迪-艾瓦姆工程、科学与技术大学数据科学系） ； Department of Computer Science and Digital Technologies, School of Architecture, Computing and Engineering, University of East London（东伦敦大学建筑、计算与工程学院计算机科学与数字技术系） 纠错

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

AI总结 本研究比较五种CNN架构（包括定制模型和四种预训练模型）在约10,000张MRI图像上的多类脑肿瘤分类性能，发现EfficientNetB0以95%准确率最优，尤其显著提高了脑膜瘤的召回率（89%）。

Transformer-Guided Graph Attention for Direct Cardiac Mesh Reconstruction: A Structural Digital Twin Framework

Transformer引导的图注意力直接心脏网格重建：一种结构数字孪生框架

Abhishek H S, Akash Ganamukhi, Abhimanyu Suresh, Aditya G Hiremath, Prasad B Honnavalli, Adithya Balasubramanyam

机构 * CAVE Labs, C-IoT, Dept. of CSE, PES University（PES大学计算机科学与工程系C-IoT实验室CAVE实验室） ； C-IoT, Dept. of CSE, PES University（PES大学计算机科学与工程系C-IoT实验室） 纠错

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

AI总结 提出端到端网络，结合3D Swin Transformer和GAT，直接从医学图像生成平滑的心脏表面网格，避免传统后处理，在MM-WHS 2017上实现1.8 mm平均Chamfer距离。

Physics-Informed Implicit Neural Representations for Improved Myocardial Perfusion MRI Quantification

用于改进心肌灌注MRI定量的物理信息隐式神经表示

Christos Tsepas, Chang Yan, Maximilian Fuetterer, Sebastian Kozerke, Cian M Scannell

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

AI总结 该研究将物理信息神经网络（PINN）框架扩展加入时空隐式神经表示（INRs），在真实模拟CMR数据集上提升了心肌灌注参数估计的鲁棒性与准确性。

Comments Accepted at the STACOM workshop at MICCAI, Strasbourg 2026

RadPRISM: Schema-stratified radiology-report supervision for concept-disentangled image representations and visual grounding

RadPRISM：用于概念解耦图像表示与视觉定位的模式分层放射学报告监督方法

Fabian Drexel, Marlene Fritzsche, Era Stambollxhiu, Miriam Kumpf, Lena Schmitzer, Lea Schumann, Jannik Kahmann, Friedrich Puttkammer, Johannes Moll, Jannik Lübberstedt, Zeineb Ben Chaaben, Anirudh Narayanan, Cosmin I. Bercea, Sebastian Ziegelmayer, Marcus R. Makowski, Daniel Rueckert, Lisa C. Adams, Keno K. Bressem

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） ； Technical University of Munich, School of Medicine and Health（慕尼黑工业大学医学与健康学院） ； Klinikum rechts der Isar（右伊萨尔医院） ； Charité – Universitätsmedizin Berlin（柏林夏里特医学院） ； Freie Universität Berlin（柏林自由大学） ； Humboldt Universität zu Berlin（柏林洪堡大学） ； 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（MCML）） ； University Hospital Essen (AöR)（埃森大学医院（AöR）） ； Institute for Artificial Intelligence in Medicine (IKIM)（医学人工智能研究所（IKIM）） ； Institute of Interventional and Diagnostic Radiology and Neuroradiology（介入与诊断放射学及神经放射学研究所） ； National Center for Tumor Diseases West（西部肿瘤疾病国家中心） 纠错

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

AI总结 RadPRISM将放射学模式作为分层轴，通过专用视觉子空间对齐临床概念，提升零样本分类与视觉定位性能，实现可透明检查的概念解耦医学图像表示。

Secure-by-Disguise: A Systematic Evaluation of Image Disguising for Confidential Medical Image Modeling

通过伪装实现安全：对用于机密医学图像建模的图像伪装的系统评估

Jason Rojas, Jiajie He, Yash Patel, Yuechun Gu, Zeyun Yu, Keke Chen

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

AI总结 研究针对医学图像外包建模的隐私问题，建立统一框架评估DisguisedNets和NeuraCrypt等方法，分析其在多数据集上的预测效用、效率及抗攻击鲁棒性，发现图像伪装性能因任务而异，RMT平衡最佳，为医学AI应用中PET适用性提供评估。

One-Shot Data Selection for Medical Image Classification via Graph Coverage

基于图覆盖的医学图像分类一次性数据选择

Zahiriddin Rustamov, Nadia Badawi, Rafat Damseh, Nazar Zaki

机构 * United Arab Emirates University（阿拉伯联合酋长国大学） ； KU Leuven（鲁汶大学） 纠错

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

AI总结 提出一种基于图的一次性数据选择方法，利用预训练编码器的k近邻图构建热扩散核，通过贪婪设施位置选择最大化数据流形覆盖的子集，在五个MedMNIST数据集上优于基线方法。

Comments Accepted at MICCAI 2026

DD-INR: Dynamics-Driven Implicit Neural Representation for Accelerated Whole-Brain Functional MRI Reconstruction

DD-INR: 用于加速全脑功能磁共振成像重建的动力学驱动隐式神经表示

Qiaoxin Li, Caini Pan, Pierre-Antoine Comby, Chaithya Giliyar, Philippe Ciuciu

机构 * MIND, Inria, Palaiseau, France（MIND、Inria、法国帕莱赛欧） ； Neurospin, CEA Paris Saclay, France（Neurospin、CEA巴黎萨克雷、法国） ； CEA NeuroSpin, Paris-Saclay University, CNRS BAOBAB, Gif-sur-Yvette, France（CEA NeuroSpin、巴黎萨克雷大学、CNRS BAOBAB、法国吉夫-sur-伊夫特） 纠错

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

AI总结 提出DD-INR框架，通过将fMRI数据分解为静态背景和动态成分并用隐式神经表示建模动态，实现加速fMRI重建，提升图像质量和激活模式恢复。

Journal ref MICCAI 2026 - 29th International Conference on Medical Image Computing and Computer Assisted Intervention, Sep 2026, Strasbourg, France

Optimizing Multi-Stakeholder Fairness in Computed Tomography Appointment Scheduling with Predicted Scan and Reporting Duration

优化计算机断层扫描预约调度中的多利益相关方公平性：基于预测的扫描与报告时长

Ludovico Ambrosi, Chandra Bortolotto, Sara Cambiaghi, Luisa Carone, Davide Duma, Lorenzo Preda

专题命中 医学影像 ：CT(summary_cn,abstract)；radiology(abstract)

AI总结 本文针对CT随访调度中多利益相关方公平性缺失问题，提出预测-优化框架，结合ML模型与MILP模型，通过支配性约简策略提升效率，实验表明该方法可平衡患者需求与放射科医生工作量，XGBoost适配性最优。

TumorBoard: Evidence-Grounded Multi-Agent Decision Support for Longitudinal Neuro-Oncology

TumorBoard：基于证据的多智能体纵向神经肿瘤学决策支持系统

Yantong Liu, Zheyu Zhang, Runpeng Liu, Mu Xitang, Seong-Yoon Shin, Hyun-Ae Lee

专题命中 医学影像 ：MRI(abstract,abstract_cn)；pathology(abstract)；diagnosis(abstract)；radiology(abstract)

AI总结 TumorBoard是基于证据的多智能体纵向神经肿瘤学决策支持系统，经360例基准测试，其性能优于现有基线，安全管控模块可有效降低有害建议比例。

MedSAM2-Anatomy: Training-Free Inference-Time Optimization for Musculoskeletal Segmentation

MedSAM2-Anatomy：面向肌肉骨骼分割的无训练推理时优化方法

John Garcia Henao, Nicholas Bünger, Benedikt Herzog, Cindy Guerrero Toro, Benjamin Vella, Matthias Biner, Rico Brütsch, Carmen Castroviejo Fernandez, Felix Öttl, Norman Juchler, Armando Hoch, Bettina Hochreiter, Sven Hirsch, Sebastiano Caprara

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

AI总结 MedSAM2-Anatomy是一种无训练的推理时优化框架，通过融合专家模型生成的自动解剖提示，提升冻结分割模型的髋部、肩部肌肉骨骼分割性能，无需人工提示或模型重训。

Comments Original research manuscript (13 pages, 4 figures, 2 tables). No prior publication

Longitudinal MRI template of the baboon brain from birth to adolescence

从出生到青春期的狒狒大脑纵向MRI模板

Katherine L. Bryant, Arnaud Le Troter, David Meunier, Yannick Becker, Scott A. Love, Siham Bouziane, Kep Kee Loh, Julien Sein, Luc Renaud, Olivier Coulon, Adrien Meguerditchian

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

AI总结 该研究针对狒狒大脑从出生到青春期的发育，提出BABACOOL方法创建多模态发育图谱，生成BaBa21纵向发育模板，还提供全自动生成中间年龄模板的方法，为狒狒数据归一化及相关研究提供便利。

Comments 21 pages, 6 Figures, 6 Supplementary Figures, In Press

Journal ref Imaging Neuroscience, 2026

Projection-Domain Sensitivity Analysis of Vertebral DRRs Under Intrinsic Calibration Perturbation

在固有校准扰动下椎体数字重建射线照片的投影域敏感性分析

Lin Li, Chaochao Zhou, Benjamin Aubert, Junlin Guo, Junchao Zhu

机构 * Department of Mathematics, Tulane University（特伦特大学数学系） ； Department of Computer Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； EOS, EOS Imaging Inc.（EOS公司） ； Department of Electrical and Computer Engineering, Vanderbilt University（范德比大学电气与计算机工程系） ； Department of Computer Science, Vanderbilt University（范德比大学计算机科学系） 纠错

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

AI总结 研究固有校准扰动对椎体荧光透视投影及下游配准性能的影响，利用CT衍生模型等生成DRR，通过多种指标量化投影域变化，发现其受视图影响大，会降低配准精度，为评估校准鲁棒性提供框架以提高脊柱成像可靠性。