医学 AI

ForamDeepSlice: A High-Accuracy Deep Learning Framework for Foraminifera Species Classification from 2D Micro-CT Slices

ForamDeepSlice：一种高精度深度学习框架，用于从2D微CT切片对有孔虫物种进行分类

Abdelghafour Halimi, Ali Alibrahim, Didier Barradas-Bautista, Ronell Sicat, Abdulkader M. Afifi

机构 * Visualization Core Lab（可视化核心实验室） ； Physical Sciences and Engineering Division（物理科学与工程 division） 纠错

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

AI总结 ForamDeepSlice通过结合ConvNeXt-Large和EfficientNetV2-Small，实现了95.64%的高准确率，为有孔虫分类提供高效且可重复的深度学习框架。

Interpretable Motion Artificat Detection in structural Brain MRI

可解释的结构脑MRI运动伪影检测

Naveetha Nithianandam, Prabhjot Kaur, Anil Kumar Sao

机构 * Indian Institute of Technology, Madras（印度理工学院，马德拉斯） ； Boston Childrens Hospital, Harvard Medical School（波士顿儿童医院，哈佛医学院） ； Indian Institute of Technology, Bhilai（印度理工学院，比哈尔） 纠错

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

AI总结 本文提出了一种轻量可解释的框架，通过扩展DHoGM到三维空间，有效检测结构脑MRI中的运动伪影，实现高准确率和高效计算。

Gabor Primitives for Accelerated Cardiac Cine MRI Reconstruction

用于加速心脏 cine MRI 重建的 Gabor 原始要素

Wenqi Huang, Veronika Spieker, Nil Stolt-Ansó, Natascha Niessen, Maik Dannecker, Sevgi Gokce Kafali, Sila Kurugol, Julia A. Schnabel, Daniel Rueckert

机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital, Munich, Germany（人工智能在医疗与医学中的chair，慕尼黑技术大学（TUM）和慕尼黑技术大学医院，德国慕尼黑） ； School of Computation and Information Technology, Technical University of Munich, Munich, Germany（计算与信息科技学院，慕尼黑技术大学，德国慕尼黑） ； Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich, Neuherberg, Germany（生物医学影像中的机器学习研究所，海德堡慕尼黑，德国纽赫堡） ； Department of Radiology, Boston Children's Hospital and Harvard Medical School, Boston, USA（放射科，波士顿儿童医院和哈佛医学院，美国波士顿） ； Munich Center for Machine Learning, Technical University of Munich, Munich, Germany（慕尼黑机器学习中心，慕尼黑技术大学，德国慕尼黑） ； GE HealthCare, Munich, Germany（通用电气医疗系统，德国慕尼黑） ； School of Biomedical Engineering and Imaging Sciences, King's College London, London, United Kingdom（生物医学工程与成像科学学院，伦敦国王学院，英国伦敦） ； Department of Computing, Imperial College London, London, United Kingdom（计算学院，伦敦帝国学院，英国伦敦） 纠错

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

AI总结 本文提出 Gabor 原始要素用于加速心脏 cine MRI 重建，通过调制高斯包络实现灵活频谱支持，提升对光滑结构和锐利边界的表示能力。

DMD-augmented Unpaired Neural Schrödinger Bridge for Ultra-Low Field MRI Enhancement

DMD增强的无配对神经施罗德桥用于超低场MRI增强

Youngmin Kim, Jaeyun Shin, Jeongchan Kim, Taehoon Lee, Jaemin Kim, Peter Hsu, Jelle Veraart, Jong Chul Ye

机构 * Korea University（韩国大学） ； KAIST（韩国科学技术院） ； NYU Langone Health（纽约大学朗格one健康） 纠错

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

AI总结 本文提出了一种基于DMD增强的无配对神经施罗德桥方法，用于提升超低场MRI图像质量，通过结合分布匹配与解剖结构保持正则化器，实现现实感与结构保真的平衡。

Balancing Fidelity, Utility, and Privacy in Synthetic Cardiac MRI Generation: A Comparative Study

在合成心脏磁共振成像生成中平衡保真度、实用性与隐私：一项比较研究

Madhura Edirisooriya, Dasuni Kawya, Ishan Kumarasinghe, Isuri Devindi, Mary M. Maleckar, Roshan Ragel, Isuru Nawinne, Vajira Thambawita

机构 * University of Peradeniya, Sri Lanka（斯里兰卡大学） ； University of Maryland, College Park, USA（美国马里兰大学 College Park 分校） ； Tulane University School of Medicine, USA（美国 Tulane 大学医学院） ； Simula Research Laboratory, Norway（挪威 Simula 研究实验室） ； SimulaMet, Norway（挪威 SimulaMet） 纠错

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

AI总结 本研究比较了三种生成模型在合成心脏MRI中的性能，发现DDPM在保真度、实用性和隐私保护之间达到最佳平衡，而FM在隐私方面表现突出但性能略低。

Comments 7 pages, 4 figures, Preprint

Intelligent Diagnosis Using Dual-Branch Attention Network for Rare Thyroid Carcinoma Recognition with Ultrasound Imaging

基于双分支注意力网络的智能诊断：用于超声成像中罕见甲状腺癌识别

Peiqi Li, Yincheng Gao, Renxing Li, Haojie Yang, Yunyun Liu, Boji Liu, Jiahui Ni, Ying Zhang, Yulu Wu, Xiaowei Fang, Lehang Guo, Liping Sun, Jiangang Chen

机构 * Shanghai Key Laboratory of Multidimensional Information Processing, East China Normal University（上海多维信息处理重点实验室，华东师范大学） ； School of Mathematics and Physics, Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学数学与物理学院） ； Department of Ultrasound, Shanghai Tenth People's Hospital（上海第十人民医院超声科） ； Shanghai Engineering Research Center of Ultrasound Diagnosis and Treatment, Tongji University School of Medicine（上海超声诊断与治疗工程研究中心，同济大学医学院） ； Department of Mathematical Sciences, University of Liverpool（利物浦大学数学科学系） 纠错

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

AI总结 本文提出基于双分支注意力网络的CSASN框架，通过整合EfficientNet和ViT实现罕见甲状腺癌的高效识别与分类。

Learning to Read Where to Look: Disease-Aware Vision-Language Pretraining for 3D CT

学习如何注视：面向3D CT的疾病感知视觉-语言预训练

Simon Ging, Philipp Arnold, Sebastian Walter, Hani Alnahas, Hannah Bast, Elmar Kotter, Jiancheng Yang, Behzad Bozorgtabar, Thomas Brox

机构 * Computer Vision Group, University of Freiburg, Germany Adaptive \& Agentic AI (A3) Lab, Aarhus University, Denmark Department of Radiology, Medical Center -- University of Freiburg, Germany Chair of Algorithms ； Data Structures, University of Freiburg, Germany ELLIS Institute Finland School of Electrical Engineering, Aalto University, Finland 纠错

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

AI总结 本文提出了一种面向3D CT的疾病感知视觉-语言预训练模型，通过对比预训练和基于提示的疾病监督，实现了文本到图像检索、疾病分类及内扫描片段定位的统一模型。

MR-Compass: Inertial Navigation-Driven Motion Correction for Brain MRI

MR-Compass：基于惯性导航的脑部MRI运动校正

Musa Tunc Arslan, Fatih Calakli, Joshua Auger, Hongli Fan, Alan J Macy, Simon K Warfield

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

AI总结 MR-Compass利用MRI系统磁场和重力场直接估计头部运动，通过相位相关性校正运动，提升图像质量。

Revisiting Global Token Mixing in Task-Dependent MRI Restoration: Insights from Minimal Gated CNN Baselines

重新审视任务依赖性MRI修复中的全局token混合：来自最小门控CNN基线的见解

Xiangjian Hou, Chao Qin, Chang Ni, Xin Wang, Chun Yuan, Xiaodong Ma

机构 * Dept. of Radiology & Imaging Sciences, University of Utah, Salt Lake City, UT, USA（放射学与成像科学系，犹他大学，盐湖城，UT，USA） ； Dept. of Electrical & Computer Engineering, University of Utah, Salt Lake City, UT, USA（电气与计算机工程系，犹他大学，盐湖城，UT，USA） ； Dept. of Computer Vision, Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, UAE（计算机视觉系，莫扎德人工智能大学，阿布扎赫，EUA） ； Dept. of Biomedical Engineering, University of Utah, Salt Lake City, UT, USA（生物医学工程系，犹他大学，盐湖城，UT，USA） ； Dept. of Electrical & Computer Engineering, University of Washington, Seattle, WA, USA（电气与计算机工程系，华盛顿大学，西雅图，WA，USA） 纠错

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

AI总结 本文探讨了MRI修复中全局token混合的效用，发现其在不同任务中表现各异，需根据具体退化结构和物理条件进行调整。

NAB: Neural Adaptive Binning for Sparse-View CT reconstruction

NAB：神经自适应分箱用于稀疏视角CT重建

Wangduo Xie, Matthew B. Blaschko

机构 * Center for Processing Speech and Images（语音与图像处理中心） ； Department of ESAT KU Leuven（KU Leuven ESAT系） 纠错

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

AI总结 NAB通过整合矩形先验提升稀疏视角CT重建精度，实现端到端优化与复杂几何泛化。

Benchmarking Self-Supervised Learning Methods for Accelerated MRI Reconstruction

对加速MRI重建的自监督学习方法进行基准测试

Andrew Wang, Steven McDonagh, Mike Davies

机构 * Institute for Imaging, Data and Communications, School of Engineering, University of Edinburgh（成像、数据与通讯研究所，工程学院，爱丁堡大学） 纠错

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

AI总结 本文提出SSIBench框架，用于统一和评估无需真实数据的自监督成像方法，展示了不同场景下的性能差异，并提出新的损失函数以促进未来改进。

Comments Preprint. Live benchmark site available at https://andrewwango.github.io/ssibench

A multimodal slice discovery framework for systematic failure detection and explanation in medical image classification

一种用于医学图像分类中系统性故障检测和解释的多模态切片发现框架

Yixuan Liu, Kanwal K. Bhatia, Ahmed E. Fetit

机构 * Department of Computing, Imperial College London, UK（帝国理工学院 computing 部，英国） ； Aival, London, UK（Aival，伦敦，英国） 纠错

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

AI总结 该研究提出了一种多模态切片发现框架，用于医学图像分类中的系统性故障检测与解释，展示了其在故障发现和解释生成方面的有效性。

SegReg: Latent Space Regularization for Improved Medical Image Segmentation

SegReg: 隐空间正则化以提升医学图像分割

Puru Vaish, Amin Ranem, Felix Meister, Tobias Heimann, Christoph Brune, Jelmer M. Wolterink

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

AI总结 SegReg通过隐空间正则化提升医学图像分割的泛化能力和连续学习性能。

Comments 11 pages, 3 figures, 2 tables, under review

SGDC: Structurally-Guided Dynamic Convolution for Medical Image Segmentation

SGDC：结构引导的动态卷积用于医学图像分割

Bo Shi, Wei-ping Zhu, M. N. S. Swamy

机构 * Department of Electrical and Computer Engineering, Concordia University（电气与计算机工程系，康科迪亚大学） 纠错

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

AI总结 SGDC通过结构引导动态卷积提升医学图像分割的边界保真度，减少Hausdorff距离并提高IoU，适用于细粒度结构敏感任务。

FairQuant: Fairness-Aware Mixed-Precision Quantization for Medical Image Classification

FairQuant: 医学图像分类中的公平性感知混合精度量化

Thomas Woergaard, Raghavendra Selvan

机构 * Department of Computer Science, University of Copenhagen, Denmark（计算机科学系，哥本哈根大学，丹麦） 纠错

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

AI总结 FairQuant通过公平性感知的混合精度量化方法，在医学图像分类中提升模型精度和公平性，实现性能与效率的平衡。

Comments Source code available at https://github.com/saintslab/FairQuant

Is Exchangeability better than I.I.D to handle Data Distribution Shifts while Pooling Data for Data-scarce Medical image segmentation?

交换性是否比独立同分布更好用于处理数据分布偏移以在数据池化时处理数据稀缺的医学图像分割？

Ayush Roy, Samin Enam, Jun Xia, Won Hwa Kim, Vishnu Suresh Lokhande

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

AI总结 本文提出了一种基于交换性的医学图像分割方法，通过控制前景-背景特征差异，提升数据池化下的分割性能。

Comments MIDL 2026

RelA-Diffusion: Relativistic Adversarial Diffusion for Multi-Tracer PET Synthesis from Multi-Sequence MRI

RelA-Diffusion：相对对抗扩散用于多示踪剂PET合成从多序列MRI

Minhui Yu, Yongheng Sun, David S. Lalush, Jason P Mihalik, Pew-Thian Yap, Mingxia Liu

机构 * Department of Radiology and Biomedical Research Imaging Center (BRIC), University of North Carolina at Chapel Hill（放射科与生物医学研究成像中心（BRIC）、北卡罗来纳大学教堂山分校） ； Joint Department of Biomedical Engineering, University of North Carolina at Chapel Hill and North Carolina State University（生物医学工程联合部门、北卡罗来纳大学教堂山分校和北卡罗来纳州立大学） ； Department of Exercise and Sport Science, UNC-CH（运动与体育科学系、UNC-CH） 纠错

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

AI总结 RelA-Diffusion通过相对对抗扩散框架，利用多序列MRI合成多示踪剂PET，提升合成图像的保真度和病理细节表现。

MIP Candy: A Modular PyTorch Framework for Medical Image Processing

MIP Candy：用于医学图像处理的模块化PyTorch框架

Tianhao Fu, Yucheng Chen

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Project Neura ； UTMIST ； Amplimit 纠错

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

AI总结 MIP Candy是一个模块化PyTorch框架，为医学图像处理提供完整的流程管线，支持灵活配置和多种实验追踪工具。

Zero-shot Multi-Contrast Brain MRI Registration by Intensity Randomizing T1-weighted MRI (LUMIR25)

无监督多对比脑MRI配准：通过强度随机化T1加权MRI（LUMIR25）

Hengjie Liu, Yimeng Dou, Di Xu, Xinyi Fu, Dan Ruan, Ke Sheng

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

AI总结 本文提出了一种基于强度随机化的多对比度脑MRI配准方法，通过多模态损失、强度随机化和轻量级优化策略，在无需显式图像合成的情况下实现了跨对比度的稳健泛化。

Comments Submitted to and reviewed by Learn2Reg MICCAI 2025

CT-AGRG: Automated Abnormality-Guided Report Generation from 3D Chest CT Volumes

CT-AGRG：基于3D胸部CT体积的异常引导报告生成

Theo Di Piazza, Carole Lazarus, Olivier Nempont, Loic Boussel

机构 * UCBL 1, INSA Lyon, CNRS, Inserm, CREATIS UMR5220, U1294, Villeurbanne, F-69621, France（法国里昂INSA大学、CNRS、Inserm、CREATIS UMR5220、U1294） ； Department of Radiology, Croix-Rousse Hospital, Hospices Civils de Lyon, Lyon, France（里昂医院放射科） ； Philips Clinical Informatics, Innovation Paris, France（法国巴黎Philips临床信息学） 纠错

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

AI总结 CT-AGRG通过预测异常并生成针对性描述，提升3D胸部CT报告的质量和临床相关性。

Comments Accepted at ISBI 2025

Lung nodule classification on CT scan patches using 3D convolutional neural networks

使用3D卷积神经网络对CT扫描切片上的肺结节进行分类

Volodymyr Sydorskyi

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

AI总结 本研究提出使用3D卷积神经网络改进肺结节分类，通过优化裁剪策略、目标过滤技术和增强方法，实现了高精度的分类性能。

Journal ref Tavriiskyi Naukovyi Visnyk. Seriia: Tekhnichni Nauky, 1(5):399-412, 2025

Can Foundation Models Really Segment Tumors? A Benchmarking Odyssey in Lung CT Imaging

基础模型真的能分割肿瘤吗？在肺部CT成像中的基准测试之旅

Elena Mulero Ayllón, Massimiliano Mantegna, Linlin Shen, Paolo Soda, Valerio Guarrasi, Matteo Tortora

机构 * College of Computer Science and Software Engineering, Shenzhen University（计算机科学与软件工程学院，深圳大学） ； Department of Naval, Electrical, Electronics and Telecommunications Engineering, University of Genoa（海军、电气、电子与电信工程部门，热那亚大学） 纠错

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

AI总结 本研究评估了基础模型在肺部CT肿瘤分割中的性能，发现MedSAM~2在精度和效率上优于传统模型，展示了其在临床应用中的潜力。

Harmonizing Generalization and Specialization: Uncertainty-Informed Collaborative Learning for Semi-supervised Medical Image Segmentation

协调泛化与专门化：基于不确定性的协作学习用于半监督医学图像分割

Wenjing Lu, Yi Hong, Yang Yang

机构 * AGI Institute, School of Computer Science, Shanghai Jiao Tong University（AGI研究院，计算机科学学院，上海交通大学） 纠错

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

AI总结 本文提出UnCoL框架，通过双教师机制协调半监督医学图像分割中的泛化与专门化，利用不确定性指导伪标签学习以提升分割性能。

Comments Accepted for publication in IEEE Transactions on Medical Imaging (TMI), 2026

Automatic quality control in multi-centric fetal brain MRI super-resolution reconstruction

多中心胎儿脑部MRI超分辨率重建中的自动质量控制

Thomas Sanchez, Vladyslav Zalevskyi, Angeline Mihailov, Gerard Martí-Juan, Elisenda Eixarch, Andras Jakab, Vincent Dunet, Mériam Koob, Guillaume Auzias, Meritxell Bach Cuadra

机构 * CIBM -- Center for Biomedical Imaging（CIBM生物医学成像中心） ； Department of Diagnostic and Interventional Radiology, Lausanne University Hospital and University of Lausanne（诊断与介入放射学系，洛桑大学医院和洛桑大学） ； Aix-Marseille Université（阿维尼昂-马赛大学） ； BCN MedTech（BCN医疗技术） ； BCNatal Fetal Medicine Research Center（BCNatal胎儿医学研究中心） ； IDIBAPS and CIBERER（IDIBAPS与CIBERER） ； Center for MR Research（磁共振研究中心） ； Neuroscience Center Zurich（苏黎世神经科学中心） ； Research Priority Project Adaptive Brain Circuits in Development and Learning (AdaBD)（发展与学习适应性脑回路研究优先项目） 纠错

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

AI总结 本文提出FetMRQC_SR方法，通过机器学习提取100+图像质量指标，实现胎儿脑MRI超分辨率重建的质量自动控制，验证其在域外数据下的高性能。

Comments 14 pages, 5 figures; accepted at the 2025 MICCAI Perinatal, Preterm and Paediatric Image Analysis (PIPPI) Workshop

Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models

利用扩散生成模型优化压缩感知MRI的采样模式

Sriram Ravula, Brett Levac, Yamin Arefeen, Ajil Jalal, Alexandros G. Dimakis, Jonathan I. Tamir

机构 * Chandra Family Department of Electrical and Computer Engineering, The University of Texas at Austin（查德拉家族电子与计算机工程系，德克萨斯大学奥斯汀分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Imaging Physics, MD Anderson Cancer Center, Houston, Texas, USA（影像物理，MD安德森癌症中心，休斯顿，德克萨斯州，美国） ； Electrical Engineering and Computer Sciences, University of California, Berkeley（电气工程与计算机科学，加州大学伯克利分校） ； Department of Diagnostic Medicine, Dell Medical School, Austin, Texas, USA（诊断医学系，德勒医学学院，奥斯汀，德克萨斯州，美国） 纠错

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

AI总结 本文提出利用扩散模型优化MRI采样模式，以提高加速多通道MRI重建的质量。

DINO-Mix: Distilling Foundational Knowledge with Cross-Domain CutMix for Semi-supervised Class-imbalanced Medical Image Segmentation

DINO-Mix：通过跨领域CutMix进行基础知识蒸馏以实现半监督类不平衡医学图像分割

Xinyu Liu, Guolei Sun

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

AI总结 DINO-Mix通过引入预训练视觉模型和渐进性不平衡感知CutMix，解决半监督医学图像分割中少数类识别困难的问题。

Comments AAAI 2026 Workshop on Artificial Intelligence with Biased or Scarce Data (Oral)

3D Transport-based Morphometry (3D-TBM) for medical image analysis

基于3D传输的形态学测量（3D-TBM）用于医学图像分析

Hongyu Kan, Kristofor Pas, Ivan Medri, Naqib Sad Pathan, Natasha Ironside, Shinjini Kundu, Jingjia He, Gustavo Kunde Rohde

机构 * Department of Computer Engineering University of Virginia（计算机工程系，弗吉尼亚大学） ； Department of Biomedical Engineering University of Virginia（生物医学工程系，弗吉尼亚大学） ； Department of Electrical and Computer Engineering University of Virginia（电气与计算机工程系，弗吉尼亚大学） ； Department of Neurological Surgery University of Virginia（神经外科系，弗吉尼亚大学） ； Department of Radiology Washington University in St. Louis（放射科，华盛顿大学圣路易斯分校） ； Department of Electrical and Systems Engineering Washington University in St. Louis（电气与系统工程系，华盛顿大学圣路易斯分校） 纠错

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

AI总结 3D-TBM通过传输域特征分析实现3D医学图像的形态学研究，提供数据预处理、最优传输嵌入和可视化方法，支持临床影像研究。

Topological Signatures vs. Gradient Histograms: A Comparative Study for Medical Image Classification

拓扑签名与梯度直方图：面向医学图像分类的比较研究

Faisal Ahmed

机构 * Department of Data Science（数据科学系） ； Mathematics, Embry-Riddle Aeronautical University（数学，埃默里-里德航空大学） 纠错

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

AI总结 本文比较了HOG和TDA在视网膜图像分类中的性能，发现XGBoost在两种特征类型上均表现最佳，展示了结合两种方法提升医学图像分类的潜力。

Comments 18 pages, 12 figures

MRI Cross-Modal Synthesis: A Comparative Study of Generative Models for T1-to-T2 Reconstruction

MRI跨模态合成：生成模型在T1到T2重建中的比较研究

Ali Alqutayfi, Sadam Al-Azani

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

AI总结 本文比较了Pix2Pix GAN、CycleGAN和VAE在T1到T2 MRI重建中的性能，发现CycleGAN在PSNR和SSIM上表现最佳，而VAE在潜在空间表示上有优势。

Mamba Goes HoME: Hierarchical Soft Mixture-of-Experts for 3D Medical Image Segmentation

Mamba Goes HoME: 分层软专家混合模型用于3D医学图像分割

Szymon Płotka, Gizem Mert, Maciej Chrabaszcz, Ewa Szczurek, Arkadiusz Sitek

机构 * Faculty of Mathematics, Informatics, and Mechanics, University of Warsaw（华沙大学数学、信息学与力学系） ； Faculty of Mathematics and Computer Science, Jagiellonian University（雅盖隆大学数学与计算机科学系） ； Institute of AI for Health, Helmholtz Munich（海德堡医学院人工智能与健康研究所） ； Faculty of Electronics and Information Technology, Warsaw University of Technology（华沙理工大学电子与信息技术系） ； NASK - National Research Institute（国家研究 institute） ； Faculty of Radiology, Massachusetts General Hospital（麻省总医院放射学系） ； Department of Radiology, Harvard Medical School（哈佛医学院放射学系） 纠错

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

AI总结 本文提出分层软专家混合模型HoME，通过两级令牌路由提升3D医学图像分割的长上下文建模能力，实现更高效的局部和全局特征提取，从而提升分割性能。

Comments Accepted at NeurIPS 2025