医学 AI

Empirical investigation of 3D CT Foundation Models and Unsupervised Adaptation for Head and Neck Cancer Recurrence Prediction

3D CT 基础模型与无监督适应用于头颈癌复发预测的实证研究

Bilel Guetarni, Feryal Windal, David Pasquier, Halim Benhabiles

机构 * University of Lille（里尔大学） ； Academic Department of Radiation Oncology, Centre Oscar Lambret（奥斯卡·兰布雷特中心放射肿瘤学学术部） ； Junia（朱尼亚学院） ； Centrale Lille（里尔中央理工学院） ； IMT Nord Europe, Institut Mines-Télécom（北欧电信学院、矿业电信学院） 纠错

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

AI总结 该研究通过两个含 3644 名患者的公开数据集，实证评估 3D CT 基础模型用于头颈癌复发预测的泛化能力，发现其跨场景泛化困难，影像与临床数据结合的预后方法最准确。

Comments Accepted at AIiH 2026

ELECTRIC: Evidential Learning-Enhanced CT Reconstruction via Iterative Correction

ELECTRIC：基于迭代校正的证据学习增强型CT重建

Ge Wang

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） 纠错

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

AI总结 本研究提出ELECTRIC闭环CT重建方法，通过证据学习结合物理引导贝叶斯模型，在低剂量CT数据集上使重建误差降约70%，鲁棒性优于传统方法，为CT重建提供新方案。

Comments 6 figures, 21 pages, and 27 references

Same Branches, Different Trees: A Bifurcation Connectedness Metric for Coronary Artery Segmentation and FFR-CT Decision Agreement

相同分支，不同树：用于冠状动脉分割及FFR-CT决策一致性的分叉连通性度量

Maame Owusu-Ansah, Kelvin Lee, Dr Vinod Venugopal, Muhammad Moazzam Jawaid, Wenting Duan, James Brown

机构 * University of Lincoln（林肯大学） ； Lincolnshire Heart Centre（林肯郡心脏中心） ； United Lincolnshire Teaching Hospitals Trust（联合林肯郡教学医院信托基金） ； De Montfort University（德蒙福特大学） 纠错

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

AI总结 该研究提出BCS及可微替代物soft-BCS，用于评估冠状动脉分割的分叉连通性，发现其与FFR-CT决策一致性相关，建议同时报告分支恢复及连通性的度量。

Comments Accepted at STACOM 2026 (MICCAI workshop). 11 pages, 3 figures, 2 tables

ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction

ProgFormer：用于纵向脑部MRI预测的分层体素扩散Transformer

Dexuan Ding, Yuankai Qi, Luping Zhou, Jian Yang, Quan Z. Sheng, Ming-Hsuan Yang

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

AI总结 ProgFormer是一种分层体素扩散Transformer，通过粗-细通路结合条件流匹配，在ADNI等三个基准上实现了更优的纵向脑部MRI预测性能。

ReDiff: Reliability-Guided Diffusion for Trustworthy Ultra-Low-Field to High-Field MRI Synthesis

迈向可信的选择性生成：用于超低场到高场MRI合成的可靠性引导扩散

Zhenxuan Zhang, Peiyuan Jing, Ruicheng Yuan, Liwei Hu, Anbang Wang, Fanwen Wang, Yinzhe Wu, Kh Tohidul Islam, Zhaolin Chen, Zi Wang, Peter Lally, Guang Yang

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

AI总结 本文提出ReDiff框架，通过可靠性引导的采样策略和多候选选择方案，提升MRI合成的鲁棒性和解剖学一致性，减少伪影并提高结构保真度。

Multi-scale radiomics in pelvic MRI for endometriosis subtyping: highlighting data heterogeneity constraints

用于子宫内膜异位症分型的盆腔MRI多尺度放射组学：强调数据异质性约束

Eliot Leguy, Chloe Mallet, Nicolas Normand, Elodie Germani

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

AI总结 本研究基于UT-EndoMRI数据集，探索盆腔MRI多尺度放射组学用于子宫内膜异位症分型，发现原始小波特征结合梯度提升分类器AUC达0.80，但小型多中心数据集中放射组学分型存在脆弱性。

Comments Accepted for publication at the MICCAI 2026 CAPI-WOMEN workshop

Clinical Graph-Mediated Distillation for Unpaired MRI-to-CFI Hypertension Prediction

临床图介导的非配MRI到CFI高血压预测

Dillan Imans, Phuoc-Nguyen Bui, Duc-Tai Le, Hyunseung Choo

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Research Convergence Institute（研究融合院） ； Department of AI Systems Engineering（人工智能系统工程系） ； Department of Electrical and Computer Engineering（电气与计算机工程系） 纠错

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

AI总结 本文提出CGMD框架，通过构建临床相似性kNN图将MRI中的高血压知识迁移至视网膜模型，提升非配MRI-视网膜数据下的高血压预测性能。

Comments 10 pages, 2 figures, 2 tables. Under review at MICCAI 2026

Open-Ended CT Volume Segmentation with Weak Supervision from Language

基于语言弱监督的开放式CT体积分割

Sanjay Subramanian, Junwei Yu, Zirui Wang, Rohil Malpani, Maggie Chung, Adam Yala, Dan Klein, Trevor Darrell

机构 * Department of Electrical Engineering and Computer Science, UC Berkeley（加州大学伯克利分校电气工程与计算机科学系） ； Voio ； Department of Radiology and Biomedical Imaging, UC San Francisco（加州大学旧金山分校放射学与生物医学成像系） ； Computational Precision Health, UC Berkeley and UC San Francisco（加州大学伯克利分校和加州大学旧金山分校计算精准健康中心） 纠错

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

AI总结 研究基于语言弱监督训练CT扫描文本条件分割模型，通过结合体素级与切片级监督，从扫描-报告对提取信息，微调通用2D图像分割模型SAM3，在ReXGroundingCT数据集上提升了分割骰子分数。

ProTCT: Projection quantification and fidelity constraint integrated deep reconstruction for Tangential CT

ProTCT：用于切向CT的投影量化与保真度约束集成深度重建

Bingan Yuan, Bowei Liu, Zheng Fang

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

AI总结 针对切向CT投影截断致图像质量差及现有方法不足的问题，提出ProTCT方法，通过分析采样条件、构建深度伪影抑制网络及保真度约束模块，有效提升了TCT切片质量，推动了大视野CT成像应用。

Inverse Bayesian Inference for Extracting Lesion Dynamics from Longitudinal Spectral CT

用于从纵向光谱CT中提取病变动态的逆贝叶斯推理

Lukas Förner, Melina Wördehoff, Julian Steffens, Maximilian Schmutz, Rainer Claus, Josua Decker, Thomas Kröncke, Kartikay Tehlan, Thomas Wendler

机构 * University Hospital Augsburg（奥格斯堡大学医院） ； Technical University of Munich（慕尼黑工业大学） ； Bavarian Center for Cancer Research (BZKF)（巴伐利亚癌症研究中心） ； University of Augsburg（奥格斯堡大学） 纠错

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

AI总结 该研究针对纵向光谱CT提取病变动态参数的挑战，提出逆贝叶斯框架，将光谱特征演变分解为三个分量，通过对NSCLC CT数据验证，能恢复不同动态模式，确立了逆动态推理方法，从静态特征提取迈向病变行为机制表征。

Cheap Probes Predict Expensive Training in 3D-CT Vision--Language Models

廉价探针预测3D-CT视觉语言模型中的昂贵训练

Renjie Liang

机构 * University of Florida（佛罗里达大学） 纠错

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

AI总结 研究为3D-CT视觉语言模型选编码器及压缩方案时，候选组合多难比较。提出用廉价探针替代，构建含验证门限的探测基准，比较读出头并配对探针与下游任务，早期结果显示廉价探针排序与昂贵微调一致，有望快速筛选方案。

Agentic Autoresearch for CT Reconstruction

用于CT重建的智能自动研究

Andreas Maier, Lucas Kachelriess, Siming Bayer, Yixing Huang, Yan Xia, Amber Simpson, Moritz Zaiss

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

AI总结 研究CT重建方法比较难题，利用大语言模型智能体构建智能循环，独立实现、调整并基准测试26种方法，重组为紧凑求解器，发现理想数据排名无法预测现实噪声下表现，噪声会颠倒排名，重新训练可恢复部分排名，强调基准测试需考虑多种现实因素。

Comments 16 pages

How Much MRI Preprocessing Is Enough? A Cost-Utility Study for Brain MRI Foundation Models

MRI预处理需要多少才够？脑MRI基础模型的成本效用研究

Jiangshuan Pang, Wangyang Tang, Jing Yan, Zhixuan Cheng, Youzhe He, Yiting Deng, Zhenkun Zhuang, Shiping Liu

机构 * University of the Chinese Academy of Sciences（中国科学院大学） ； BGI Research（华大研究院） 纠错

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

AI总结 本研究通过比较P0-P7预处理级别对自监督3D MRI预训练的影响，发现并非预处理越强越好，P2是最低成本可行级别，更强预处理仅在特定任务中带来有限提升，且下游可补偿。

A Dual Path Framework with Hotspot Guided Fusion for Three Dimensional CT to PET Synthesis in Head and Neck Cancer

一种用于头颈癌三维CT到PET合成的热点引导融合双路径框架

Mohd Maaz Khan, Oluwaseyi Oderinde

机构 * Advanced Molecular Imaging in Radiotherapy (AdMIRe) Research Laboratory, School of Health Sciences, Purdue University, West Lafayette, IN, 47907, USA（高级分子影像在放射治疗（AdMIRe）研究实验室，健康科学学院，普渡大学，西拉法叶，IN，47907，美国） ； Department of Radiation Oncology, Indiana University School of Medicine, Indianapolis, IN 46202, USA（放射肿瘤学部，印第安纳大学医学院，印第安纳波利斯，IN，46202，美国） 纠错

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

AI总结 针对头颈癌，提出从CT扫描合成PET图像的双路径框架，由回归U-Net和条件生成对抗网络组成，经热点引导融合输出，可提供代谢信息辅助成像和临床决策，重建PET体积有一定误差指标，能定位病变但高代谢区有SUV低估。

Comments 25 pages, 11 figures

FSB-Net: Frequency-Spatial Boundary Network for Brain Stroke Lesion Segmentation in Non-Contrast CT

FSB-Net：用于非增强CT中脑卒病变分割的频率-空间边界网络

Linke Fan, Xianglong Li, Huixin Huang, Kai Shu

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

AI总结 研究旨在解决非增强CT中脑卒病变分割难题。提出FSB-Net，利用频域分析，含小波边界检测头、频率-空间交叉注意力模块和频谱边界损失。在公共数据集上评估，性能优于多种方法，达当前最佳。

SHFormer: Dynamic Spectral Filtering Convolutional Neural Network and High-pass Kernel Generation Transformer for Adaptive MRI Reconstruction

SHFormer：用于自适应MRI重建的动态频谱滤波卷积神经网络和高通内核生成变压器

Sriprabha Ramanarayanan, Rahul G. S., Mohammad Al Fahim, Keerthi Ram, Ramesh Venkatesan, Mohanasankar Sivaprakasam

机构 * Indian Institute of Technology Madras (IITM)（印度理工学院马德拉斯分校） ； Healthcare Technology Innovation Centre（医疗技术创新中心） ； GE John F Welch Technology Center（通用电气约翰·F·韦尔奇技术中心） 纠错

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

AI总结 针对基于注意力机制的MRI重建模型在高频表示和多模态数据处理上的不足，提出含频谱滤波CNN和动态高通内核生成变压器的网络进行可扩展MRI重建，在未见场景下有良好重建效果，提升了PSNR和SSIM。

Comments Published in Neural Networks (Elsevier), Vol. 187, Article 107334, July 2025. DOI: 10.1016/j.neunet.2025.107334

Journal ref Neural Networks, Vol. 187, Article 107334, July 2025

Deep Learning Estimation of Sex, Age, Height, and Weight from CT-derived Digitally Reconstructed Radiographs

基于CT衍生数字重建X线片的深度学习估计性别、年龄、身高和体重

Tomohiro Kikuchi, Kohei Yamamoto, Yukihiro Nomura, Yosuke Yamagishi, Takeharu Yoshikawa, Toshiaki Akashi, Jun Kamohara, Hiroyuki Fujii, Harushi Mori

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

AI总结 研究旨在开发深度学习集成方法从CT衍生DRR估计成人性别、年龄、身高和体重。用三个多任务模型微调后加权平均组合，在多组数据上测试评估。结果表明该方法能有效估计，解剖覆盖广时误差低。

Comments Code: https://github.com/jichi-labo/DRRBiometricsPredictor

SAMRI-3D: Adapting SAM2 for 3D MRI Segmentation with Global Volume Tokens

SAMRI-3D：通过全局体积令牌将SAM2应用于3D MRI分割

Zhao Wang, Wei Dai, Hongfu Sun, Craig Engstrom, Shekhar S. Chandra

机构 * School of Electrical Engineering and Computer Science, The University of Queensland（电气工程与计算机科学学院，昆士兰大学） ； School of Engineering, College of Engineering, Science and Environment, University of Newcastle（工程学院，工程、科学与环境学院，纽卡斯尔大学） ； School of Human Movement and Nutrition Sciences, The University of Queensland（人类运动与营养科学学院，昆士兰大学） 纠错

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

AI总结 研究针对MRI低软组织对比度导致边界难观察的问题，提出SAMRI-3D方法，通过冻结图像编码器、微调解码器和内存模块，并引入全局体积令牌，在3D MRI分割上取得高精度，提升了基于SAM的医学模型性能。

BrainNext: A General-Purpose Self-Supervised Foundation Model for Brain MRI Analysis

BrainNext：用于脑MRI分析的通用自监督基础模型

Moona Mazher, Abdul Qayyum, Steven A. Niederer, Daniel C. Alexander

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

AI总结 研究提出BrainNext通用自监督基础模型用于脑MRI分析，结合MAE预训练与三维双向xLSTM-UNet架构，从大量未标记数据学习，经微调用于下游任务，在FOMO 2025评估中表现出色，证明其可转移性和作为基础模型的潜力。

DRIFT: Difficulty-aware Rectified Flows for Through-plane MRI Super-Resolution

DRIFT：用于平面内MRI超分辨率的难度感知整流流

Yoonseok Choi, Eun-Gyu Ha, Daniel Kim, Mohammed A. Al-masni, Ming-Hsuan Yang, Dong-Hyun Kim

机构 * Yonsei University（延世大学） ； King Fahd University of Petroleum & Minerals (KFUPM)（法赫德国王石油与矿业大学） ； University of California at Merced（加州大学默塞德分校） 纠错

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

AI总结 针对平面内MRI超分辨率中效率与保真度的权衡问题，提出DRIFT框架，通过两阶段厚度条件整流流，利用解剖投影网络初始化，引入物理感知难度度量指导自适应积分调度器，降低推理成本并优于超分辨率基线。

Per-Bundle Statistical Limits and Learned-Prior Inversion in Multiplexed X-ray Imaging, with Application to Temporal CT

神经网络反演用于时间CT多源束问题：每束统计极限与近最优性能

Guy M. Besson

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

AI总结 本文研究时间CT中多源反演问题，提出近最优算法SNN1及神经网络，分析不同衰减条件下性能差异，揭示先验信息集中度对反演效果的影响。

Comments 32 pages and 6 figures. Manuscript substantially reframed (prose and organization) for submission to a different journal from v3; underlying scientific content is more than 95% consistent

LoGSAM: Parameter-Efficient Cross-Modal Grounding for MRI Segmentation

LoGSAM: 用于MRI分割的参数高效跨模态接地

Mohammad Robaitul Islam Bhuiyan, Sheethal Bhat, Melika Qahqaie, Andreas Maier, Tri-Thien Nguyen, Paula Andrea Pérez-Toro, Tomás Arias-Vergara

机构 * Pattern Recognition Lab, Friedrich-Alexander-Universität, Erlangen, Germany（德国埃朗根-纽伦堡大学模式识别实验室） ； Siemens Healthineers, Erlangen, Germany（德国埃朗根西门子医疗） 纠错

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

AI总结 LoGSAM通过将放射科医生的语音转录为文本提示，利用预训练基础模型实现MRI肿瘤的高效分割，采用LoRA微调提升领域适应性，达到80.32%的Dice分数。

Comments 10 pages, 3 figures, 5 tables

Benchmarking MRI Representations for Deep Learning-Based Focal Cortical Dysplasia Segmentation

基于深度学习的局灶性皮质发育异常分割的MRI表征基准测试

Soumen Ghosh, John Phamnguyen, Amit Soni Arya, Subhojit Mandal, Tilottama Goswami, Rajat Vashistha

机构 * The University of Queensland（昆士兰大学） ； I-MED Radiology（I-MED放射学） ； Bennett University（贝内特大学） ； Indian Institute of Technology Madras（印度马德拉斯理工学院） ； University College of Engineering, Osmania University（奥斯曼尼亚大学工程学院） ； Mater Hospital（玛特医院） ； Royal Brisbane and Women’s Hospital（皇家布里斯班和妇女医院） 纠错

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

AI总结 研究针对局灶性皮质发育异常分割，利用nnU-Net框架对MRI表征进行基准测试，评估多种输入配置，发现FLAIR单模态性能最强，比率衍生表征单独不足，多模态配置可提高病变描绘，强调MRI表征设计在深度学习分割中的重要性。

When Can Test-Time Adaptation Help Zero-Shot CT Vision-Language Models?

测试时自适应何时能帮助零样本CT视觉语言模型？

Ailar Mahdizadeh, Puria Azadi Moghadam, Xiangteng He, Leonid Sigal

机构 * University of British Columbia（英属哥伦比亚大学） ； Vector Institute（向量研究所） 纠错

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

AI总结 研究零样本3D CT视觉语言模型中测试时自适应（TTA）的作用，通过控制诊断分析表明其具有条件性，引入CARVE方法，在基础模型有判别力时能带来一致改进，确立多标签TTA问题及CARVE为基数感知解决方案。

Partial Information Decomposition as a Multi-Contrast 3D MRI Selection Strategy for Resource-Constrained Deep Neural Network Training in Brain Tumor Segmentation

部分信息分解作为一种多对比度3D MRI选择策略，用于脑肿瘤分割中资源受限的深度神经网络训练

Agamdeep Chopra, Mehmet Kurt

机构 * University of Washington（华盛顿大学） 纠错

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

AI总结 研究针对脑肿瘤分割中多对比度3D MRI分割计算量大的问题，采用部分信息分解框架对输入对排序选最优用于训练，实验表明该方法选出的T1c+T2-FLAIR是强双输入配置，证明了基于PID预训练选择的实用价值。

$K$-NeAS: Scalable Multi-Material CT Reconstruction Using Neural SDFs

K-NeAS：使用神经符号距离函数的可扩展多材料CT重建

Daksh K. Shah, Emmanouil Nikolakakis, Razvan V. Marinescu

机构 * University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校） 纠错

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

AI总结 研究针对CT电离辐射风险下的稀疏视图重建问题，提出K-NeAS架构，通过共享主干和K材料顺序软选择器建模多材料，用GMM自动界定衰减并减轻几何幻觉，在多数据集上实现任意材料数量的高保真重建及稀疏采样下的鲁棒性提升。

Comments 9 pages, 3 figures. Under peer review

TRACE-PCa: Predicting Prostate Cancer Progression from Longitudinal MRI During Active Surveillance

TRACE-PCa：在主动监测期间从纵向MRI预测前列腺癌进展

Hongye Zeng, Shreeram Athreya, Dingyuan Dai, Steve Raman, Leonard Marks, William Speier, Corey Arnold

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

AI总结 研究提出TRACE-PCa模型，无需病变分割，通过预训练3D MRI模型编码序列扫描，引入时间注意力门，融合临床变量，在纵向AS队列验证中表现出色，能减少不必要活检，有预测前列腺癌进展的潜力。

Comments 7 pages, 4 figures

From Sparse X-rays to 3D CT: Training-Free Reconstruction with Diffusion Priors

从稀疏X射线到三维CT：基于扩散先验的无训练重建

Zhenkai Zhang, Markus Hiller, Krista A. Ehinger, Tom Drummond

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

AI总结 提出TF-PRDiT，一种无需训练的条件采样框架，利用冻结的3D扩散Transformer先验解决多种医学逆问题，通过可微DRR投影器实现从稀疏X射线到高质量CT重建，支持任意数量输入X射线。

Comments Accepted at DGM4MICCAI 2026. Code available at https://github.com/Fredy-Zhang/TF-PRDiT

INFANiTE: Implicit Neural representation for high-resolution Fetal brain spatio-temporal Atlas learNing from clinical Thick-slicE MRI

INFANiTE：隐式神经表示用于高分辨率胎儿脑空间-时间大体图谱学习从临床厚切片MRI

Xiaotian Hu, Mingxuan Liu, Hongjia Yang, Tongxi Song, Yijin Li, Yifei Chen, Haoxiang Li, Zihan Li, Yingqi Hao, Ziyu Li, Yi Liao, Haibo Qu, Qiyuan Tian

机构 * Beihang University（北航大学） ； Tsinghua University（清华大学） ； Sichuan University（四川大学） ； University of Oxford（牛津大学） 纠错

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

AI总结 INFANiTE通过隐式神经表示方法，实现了从厚切片MRI中高效生成高分辨率胎儿脑空间-时间大体图谱，显著加快了图谱构建过程，提升了图谱的一致性、参考保真度和生物合理性。

Metadata Supervised MRI Representations for Modelling and Controlling Acquisition Variability

用于建模和控制采集变异性的元数据监督MRI表示

Mehmet Yigit Avci, Pedro Borges, Virginia Fernandez, Natalia Glazman, Paul Wright, Mehmet Yigitsoy, Sebastien Ourselin, Jorge Cardoso

机构 * University College London（伦敦大学学院） ； deepc GMBH（深度c有限公司） 纠错

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

AI总结 研究磁共振成像采集变异性问题，通过联合建模MRI图像与DICOM元数据分离变异源，学习到解纠缠表示，在此基础上引入统一协调模型，为采集感知表示学习奠定基础。