医学 AI

FermatSyn: SAM2-Enhanced Bidirectional Mamba with Isotropic Spiral Scanning for Multi-Modal Medical Image Synthesis

FermatSyn: 基于改进双向Mamba的多模态医学图像合成方法

Feng Yuan, Yifan Gao, Haoyue Li, Xin Gao

机构 * USTC（中国科学技术大学） ； SII（上海信息研究所） 纠错

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

AI总结 FermatSyn通过改进的双向Mamba结合Fermat螺旋扫描策略，解决多模态医学图像合成中全局一致性与局部细节的平衡问题，提升合成图像质量与临床应用价值。

Comments MICCAI 2026

SegWithU: Uncertainty as Perturbation Energy for Single-Forward-Pass Risk-Aware Medical Image Segmentation

SegWithU：不确定性作为扰动能量用于单次前向传递的鲁棒医学图像分割

Tianhao Fu, Austin Wang, Charles Chen, Roby Aldave-Garza, Yucheng Chen

机构 * University of Toronto（多伦多大学） ； McGill University（麦吉尔大学） ； University of Waterloo（滑铁卢大学） ； Vector Institute（向量研究所） ； Project Neura ； University of Toronto Machine Intelligence Student Team（多伦多大学人工智能学生团队） ； Amplimit 纠错

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

AI总结 SegWithU通过引入轻量级不确定性头，提升单次前向传递医学图像分割的鲁棒性，实现高可靠性分割结果。

Comments Accepted to UNSURE@MICCAI2026

Comprehensive language-image pre-training for 3D medical image understanding

全面的语言-图像预训练用于3D医学图像理解

Tassilo Wald, Ibrahim Ethem Hamamci, Yuan Gao, Sam Bond-Taylor, Harshita Sharma, Maximilian Ilse, Cynthia Lo, Olesya Melnichenko, Anton Schwaighofer, Noel C. F. Codella, Maria Teodora Wetscherek, Klaus H. Maier-Hein, Panagiotis Korfiatis, Valentina Salvatelli, Javier Alvarez-Valle, Fernando Pérez-García

机构 * Microsoft（微软公司） ； German Cancer Research Center (DKFZ)（德国癌症研究中心） ； Department of Radiology, University of Cambridge and Cambridge University Hospitals NHS Foundation Trust（剑桥大学放射科及剑桥大学医院国家健康服务体系基金会信托） ； Pattern Analysis and Learning Group, Heidelberg University Hospital（海德堡大学医院模式分析与学习组） ； Department of Radiology, Mayo Clinic（梅奥诊所放射科） 纠错

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

AI总结 本文提出COLIPRI编码器，通过结合报告生成目标和视觉-only预训练，提升3D医学图像的语义理解和生成能力。

Practical Lossless Volumetric Medical Image Compression via Tri-plane Context Tree Learning

基于三平面上下文树学习的实用无损体医学图像压缩

Yuanchao Bai, Yifan Zhao, Kai Wang, Yuanbo Du, Jie Cheng, Teng Fang, Xianming Liu, Wen Gao

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

AI总结 该研究针对体医学图像无损压缩的效率与部署难题，提出无需DNN和外部数据的三平面上下文树方法，在多数据集上达到与DNN方法相当的压缩性能，且计算成本低、编码速度快，实用性强。

Tokenizer Generator Coupling in Medical Image Generation

医疗图像生成中的分词器-生成器耦合

Liam Chalcroft

机构 * University College London（伦敦大学学院） 纠错

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

AI总结 该研究针对64×64低分辨率医疗图像，发现分词器与生成器的分离不合理，提出邻域条件预测增益指标，调优D3PM和SE-D3PM后FID-192大幅下降，验证了分词器-生成器耦合的重要性。

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。

Poisson Flow and Wasserstein Registration of Trees

树的泊松流与瓦瑟斯坦配准

Moo K. Chung

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

AI总结 针对成像应用中树状结构的配准问题，提出基于筛选泊松流与瓦瑟斯坦距离的非线性配准框架，无需显式地标或分支匹配，可在结构MRI的皮层沟回折叠配准中生成有解剖学意义的对应关系。

MedCRP-CL: Continual Medical Image Segmentation via Bayesian Nonparametric Semantic Modality Discovery

MedCRP-CL: 通过贝叶斯非参数语义模态发现实现连续医学图像分割

Ziyuan Gao

机构 * University College London, London, United Kingdom（伦敦大学学院） 纠错

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

AI总结 该研究提出MedCRP-CL框架，通过在线任务结构发现和结构感知的连续学习方法，解决医学图像分割在持续学习中的挑战，实现了73.3%的Dice得分和仅4.1%的遗忘率。

Comments Accepted to ICML 2026

DS@GT ARC at ImageCLEFmedical 2026: Architectural Diversity for Concept Detection and Foundation-Model Scaling for Caption Prediction in Medical Image Analysis

DS@GT ARC参与2026年ImageCLEFmedical任务：医学图像分析中用于概念检测的架构多样性与用于字幕预测的基础模型缩放

Bowen Wang, Youwen Zhang, Ritesh Mehta

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 该研究介绍DS@GT团队参与2026年ImageCLEFmedical医学图像分析任务，提交不同模型完成概念检测与字幕预测，其中集成模型在概念检测赛道获第一，各模型覆盖不同规模与成本。

Comments 21 pages, 9 figures

Long-Tailed Medical Image Classification

长尾医学图像分类

Nathanael Ren, Saagar Arya

机构 * Duke University（杜克大学） ； Pratt School of Engineering（普拉特工程学院） 纠错

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

AI总结 研究长尾分布下医学图像分类困难，通过深度学习模型及增强等技术最小化误差，用多种指标评估不同模型，得出最佳模型有良好结果及医疗领域潜在应用。

Joint Lossless Compression and Steganography for Medical Images via Large Language Models

通过大语言模型实现医学图像的联合无损压缩与隐写术

Pengcheng Zheng, Xiaorong Pu, Kecheng Chen, Jiaxin Huang, Meng Yang, Bai Feng, Yazhou Ren, Jianan Jiang, Chaoning Zhang, Yang Yang, Heng Tao Shen

机构 * Center for Future Media and School of Computer Science and Engineering, University of Electronic Science and Technology of China（未来媒体中心和电子科技大学计算机科学与工程学院） ； Department of Computer Science and Engineering, University of Electronic Science and Technology of China（计算机科学与工程学院，电子科技大学） ； Department of Electrical Engineering, and the Center for Intelligent Multidimensional Data Analysis, City University of Hong Kong（电子工程系和智能多维数据分析中心，城市大学） ； Department of Machine Learning, Mohamed bin Zayed University of Artificial Intelligence（机器学习系，Mohamed bin Zayed人工智能大学） 纠错

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

AI总结 针对医学图像无损压缩中性能与效率权衡及安全问题，提出联合无损压缩与隐写术框架。基于位平面切片，设计自适应模态分解，创新局部模态路径分段消息隐写术算法，结合A-LoRA微调策略，提升压缩率、效率与安全性。

SLT: Robust Quantum Neural Networks for Noisy-Label Medical Image Classification via Supermartingale-based Label Transition

SLT：通过基于上鞅的标签转换实现用于噪声标签医学图像分类的鲁棒量子神经网络

Jun Zhuang, Mohammad Al Hasan, Yiyu Shi, Chaowen Guan

机构 * Boise State University（博伊西州立大学） ； Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校） ； University of Notre Dame（圣母大学） ； University of Cincinnati（辛辛那提大学） 纠错

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

AI总结 针对小规模医学图像分类中噪声标签学习难题，提出基于上鞅的标签转换（SLT）框架用于鲁棒量子神经网络分类，通过建模熵减少为上鞅识别稳定转换步骤，实验证明其能提升分类性能并优于经典基线。

Comments Preprint, under review

Reconfigurable Radiology Labels Without Relabeling

无需重新标注的可重构放射学标签

Jean-Benoit Delbrouck, Dave Van Veen, Akash Pattnaik, Kalina Slavkova, Javid Abderezaei, Harris Bergman, Khan Siddiqui

机构 * HOPPR 纠错

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

AI总结 研究针对公共胸部X光数据集标签模式固定的问题，提出将自由文本报告转换为多标签矩阵，通过字典编辑重新配置标签模式的方法，无需重新标注。实验显示该方法高效且新标签探针效果好，表明放射学标签工作单元可改变。

A Tool Bottleneck Framework for Clinically-Informed and Interpretable Medical Image Understanding

用于临床信息丰富且可解释的医学图像理解的工具瓶颈框架

Christina Liu, Alan Q. Wang, Joy Hsu, Jiajun Wu, Ehsan Adeli

机构 * California Institute of Technology（加州理工学院） ； Stanford University（斯坦福大学） 纠错

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

AI总结 针对医学图像理解中工具组合难的问题，提出工具瓶颈框架（TBF），利用工具瓶颈模型（TBM）组合VLM选择的工具，通过神经网络计算融合工具输出，在组织病理学和皮肤病学任务中表现出色，提升医学图像理解且使预测更具可解释性。

Journal ref Proceedings of the 9th International Conference on Medical Imaging with Deep Learning, Proceedings of Machine Learning Research 315 (2026) 2958-2986

Probabilistic Robustness in Medical Image Classification

医学图像分类中的概率鲁棒性

Yi Zhang, Siddartha Khastgir, Xingyu Zhao

机构 * WMG, University of Warwick（华威大学制造工程学院） 纠错

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

AI总结 研究医学图像分类中概率鲁棒性，构建自然损坏设置并在数据集上评估常用深度学习模型，为评估模型可信度提供统计视角，支持其在医学成像应用中更可靠部署。

Medical Image Spatial Grounding with Semantic Sampling

基于语义采样的医学图像空间定位

Andrew Seohwan Yu, Mohsen Hariri, Kunio Nakamura, Mingrui Yang, Xiaojuan Li, Vipin Chaudhary

机构 * Case Western Reserve University（凯斯西储大学） ； Cleveland Clinic（克利夫兰诊所） 纠错

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

AI总结 研究视觉语言模型在医学图像三维空间定位中的挑战，提出MIS-Ground基准和MIS-SemSam优化方法，通过语义采样提升定位精度13.06%。

Comments 10 pages, 2 figures. Accepted at MICCAI 2026

Longitudinal Lesion Inpainting in Brain MRI via 3D Region Aware Diffusion

通过3D区域感知扩散进行脑部MRI的纵向病变修复

Zahra Karimaghaloo, Dumitru Fetco, Haz-Edine Assemlal, Hassan Rivaz, Douglas L. Arnold

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

AI总结 本文提出基于DDPM的新型伪3D纵向修复框架，利用多通道条件结合不同时间点的纵向信息，提高病变修复的感知保真度和纵向稳定性，同时提升处理效率。

MeDUET: Disentangled Unified Pretraining for 3D Medical Image Synthesis and Analysis

MeDUET：面向3D医学图像合成与分析的解耦统一预训练

Junkai Liu, Ling Shao, Le Zhang

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

AI总结 提出MeDUET框架，在变分自编码器潜在空间中通过解耦学习域不变内容因子和域特定风格因子，统一3D医学图像合成与分析任务，提升合成质量、收敛速度和域泛化能力。

Graph-of-Differences: Anatomy-Structured Difference Alignment for Medical Image Re-Identification

差异图：面向医学图像再识别的解剖结构差异对齐

Nichula Wasalathilaka, Abhijit Das, Imran Razzak, Dwarikanath Mahapatra

机构 * Khalifa University（哈利法大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； University of Peradeniya（佩拉德尼亚大学） ； MedOS 纠错

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

AI总结 提出差异图（GoD）方法，通过解剖图结构对齐进行身份比较，提升医学图像再识别的准确性和可解释性，在眼底和胸部X光数据集上Rank-1分别提升7.1和3.1个百分点。

Journal ref MICCAI 2026

PU-UNet: Stable Multiplicative Interactions for Medical Image Segmentation

PU-UNet：用于医学图像分割的稳定乘法交互

Ziyuan Li, Osamah Sufyan, Uwe Jaekel, Babette Dellen

机构 * Department of Mathematics, Informatics and Technology, University of Applied Sciences Koblenz（科布伦茨应用科学大学数学、信息学与技术系） ； Technical University of Munich（慕尼黑工业大学） 纠错

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

AI总结 提出PU-UNet，通过稳定乘积单元残差块在低分辨率阶段实现显式乘法特征交互，在三个医学图像分割数据集上提升Dice和IoU，降低假阳性率。

Comments Accepted to the ICANN 2026

Beyond Visual Cues: CoT-Enhanced Reasoning for Semi-supervised Medical Image Segmentation

超越视觉线索：CoT增强推理用于半监督医学图像分割

Yuming Chen, Yuxin Xie, Tao Zhou, Yi Zhou

机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications, Ministry of Education（教育部新一代人工智能技术及其跨学科应用重点实验室） ； Nanjing University of Science and Technology（南京理工大学） 纠错

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

AI总结 提出CERS框架，通过集成链式思维推理和语义参考选择策略，解决半监督医学图像分割中的视觉-语义不匹配问题，在边界模糊和语义不一致场景下优于现有方法。

Comments Accepted to MICCAI 2026

Multifractal Signatures of Ageing and Dementia Development: A Multifractal Space-Filling Curve Analysis

衰老与痴呆发展的多重分形特征：一种多重分形空间填充曲线分析

Marta Lotka, Jacek Grela, Zbigniew Drogosz, Jeremi K. Ochab, Paweł Oświęcimka

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

AI总结 提出多重分形空间填充曲线分析（MFSCA）方法，用于量化多维数据的相关结构，并应用于阿尔茨海默病MRI数据，发现脑组织多重分形性随年龄和痴呆发展减弱，从多重分形向单分形转变。

Unveiling the shared grey matter signature between Alzheimer's and Parkinson's Disease

揭示阿尔茨海默病与帕金森病共享的灰质特征

Vishaak Gangasandra, Finn Blain, Elise Delzant, Michelle Lupton, Miguel Rentería, Sarah Medland, Baptiste Couvy-duchesne

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

AI总结 本研究利用大型MRI数据集和高分辨率脑图，首次量化了阿尔茨海默病与帕金森病在顶点水平的灰质关联，发现两者存在显著的正相关（rGM=0.24），并定位了9个贡献显著的顶点簇，提示共享的神经解剖特征在神经退行性早期出现。

The Double Dilemma in Multi-Task Radiology Report Generation: A Gradient Dynamics Analysis and Solution

多任务放射学报告生成中的双重困境：梯度动力学分析与解决方案

Erjian Zhang, Yatong Hao, Liejun Wang, Zhiqing Guo

机构 * School of Computer Science and Technology（计算机科学与技术学院） ； Xinjiang University（新疆大学） ； Information Security Engineering Technology Research Center（信息安全工程技术研究中心） 纠错

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

AI总结 针对多任务放射学报告生成中线性标量化策略无法平衡判别性临床监督与生成平滑性的问题，提出基于梯度动力学的冲突规避幅度增强梯度下降（CAME-Grad）优化器，通过方向修正与能量注入实现动态平衡，在八个方法上平均提升2.3%和1.9%的临床效能。

Comments Accepted by ICML 2026

LLaMA-XR: A Novel Framework for Radiology Report Generation using LLaMA and QLoRA Fine Tuning

LLaMA-XR: 一种基于LLaMA和QLoRA微调的新型放射科报告生成框架

Md. Zihad Bin Jahangir, Muhammad Ashad Kabir, Sumaiya Akter, Israt Jahan, Minh Chau

机构 * Department of Computer Science and Engineering, Southeast University（计算机科学与工程系，东南大学） ； School of Computing, Mathematics and Engineering, Charles Sturt University（计算、数学与工程学院，查尔斯·斯特劳特大学） ； Department of Computer Science and Engineering, University of Liberal Arts Bangladesh（计算机科学与工程系，孟加拉国自由大学） ； Medical Imaging Group, School of Dentistry and Medical Sciences, Charles Sturt University（医学影像组，牙科学院与医学科学学院，查尔斯·斯特劳特大学） 纠错

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

AI总结 本文提出LLaMA-XR框架，结合LLaMA 3.1与DenseNet-121图像嵌入及QLoRA微调，提升放射科报告生成的准确性和临床相关性，同时保持计算效率。

Comments 25 pages

Journal ref Bioengineering 2026, 13(5), 493

Worst-Group Equalized Odds Regularization for Multi-Attribute Fair Medical Image Classification

多属性公平医疗图像分类中的最差组等化几率正则化

Nikhil Cherian Kurian, Victor Caquilpan Parra, Abin Shoby, Luke Whitbread, Lauren Oakden-Rayner, Robert Vandersluis, Jessica Schrouff, Lyle J. Palmer, Mark Jenkinson

机构 * Australian Institute for Machine Learning, Adelaide University（澳大利亚机器学习研究所，阿德莱德大学） ； GlaxoSmithKline (GSK)（葛兰素史克（GSK）） 纠错

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

AI总结 本文提出了一种最差组等化几率正则化方法，用于在多个人口属性上同时评估和缓解医疗图像分类中的系统性差异，通过在推理时优化子组层面的真阳性率和假阳性率偏差，减少等化几率和等化机会的不平等，同时对AUC影响最小。

Comments 11 Pages, 2 Figures

SplitFed-CL: A Split Federated Co-Learning Framework for Medical Image Segmentation with Inaccurate Labels

SplitFed-CL：一种用于带不准确标签的医学图像分割的分裂联邦协同学习框架

Zahra Hafezi Kafshgari, Hadi Hadizadeh, Parvaneh Saeedi

机构 * School of Engineering Science, Simon Fraser University, Burnaby, BC, Canada（工程科学学院，西蒙弗雷泽大学，本拿比，BC，加拿大） 纠错

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

AI总结 SplitFed-CL通过全局教师指导本地学生检测并修正不可靠标注，提升医学图像分割性能，实验显示其优于七种现有方法。

Multi-Modal Multi-Agent Reinforcement Learning for Radiology Report Generation

多模态多智能体强化学习在放射学报告生成中的应用

Kaito Baba, Risa Kishikawa, Satoshi Kodera

机构 * Department of Cardiovascular Medicine（心血管医学科） 纠错

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

AI总结 本文提出MARL-Rad框架，通过多智能体强化学习提升放射学报告生成的临床效果，通过联合优化区域特定智能体和全局整合智能体，提高报告的准确性和一致性。

Comments 23 pages, 4 figures

Dino U-Net: Exploiting High-Fidelity Dense Features from Foundation Models for Medical Image Segmentation

Dino U-Net：利用基础模型的高保真密集特征进行医学图像分割

Haoyue Li, Yifan Gao, Feng Yuan, Xiaosong Wang, Xin Gao

机构 * School of Biomedical Engineering (Suzhou), Division of Life Science and Medicine, University of Science and Technology of China, Hefei, China（生物医学工程学院（苏州），生命科学与医学系，中国科学技术大学，合肥，中国） ； Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences, Suzhou, China（苏州生物医学工程与技术研究所，中国科学院，苏州，中国） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院，上海，中国） ； Medical School of Tianjin University, Tianjin, China（天津大学医学院，天津，中国） ； Jinan Guoke Medical and Technology Development Co., Ltd., Pharmaceutical Valley New Drug Creation Platform, Jinan, China（济南国科医药科技发展有限公司，药谷新药创制平台，济南，中国） 纠错

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Dino U-Net，通过融合DINOv3模型的语义特征与低层空间细节，提升医学图像分割精度，实验表明其在多种影像模态中均优于现有方法。

Comments MICCAI 2026

A Generalist Model for Diverse Text-Guided Medical Image Synthesis

一种通用模型用于多样化文本引导的医学图像合成

Joseph Cho, Mrudang Mathur, Cyril Zakka, Dhamanpreet Kaur, Matthew Leipzig, Alex Dalal, Aravind Krishnan, Eubee Koo, Karen Wai, Cindy S. Zhao, Akshay Chaudhari, Matthew Duda, Ashley Choi, Ehsan Rahimy, Lyna Azzouz, Robyn Fong, Rohan Shad, William Hiesinger

机构 * Department of Cardiothoracic Surgery（心脏外科部门） ； Stanford Medicine（斯坦福医学） ； Department of Ophthalmology（眼科部门） ； Division of Cardiovascular Surgery（心血管外科分会） ； Penn Medicine（宾夕法尼亚医学） 纠错

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

AI总结 本文提出MediSyn模型，通过公开数据训练，生成六种医学领域和十种成像模态的合成图像，验证了通用模型在效率、质量和医学应用中的优势。