医学 AI

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

Efficient Flow Matching for Sparse-View CT Reconstruction

用于稀疏视图CT重建的高效流匹配

Jiayang Shi, Lincen Yang, Zhong Li, Tristan van Leeuwen, Daniel M. Pelt, K. Joost Batenburg

机构 * Centrum Wiskunde en Informatica（数学与信息学研究中心） ； LIACS, Leiden University（莱顿大学LIACS） ； Great Bay University（大湾大学） ； Mathematical Institute, Utrecht University（乌得勒支大学数学研究所） 纠错

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

AI总结 研究利用流匹配（FM）模型进行CT重建，因其确定性与数据一致性操作天然兼容。提出基于FM的CT重建框架及高效变体，通过重用预测速度场减少神经网络函数评估次数，提高推理效率，实验证明效果良好。

Journal ref MICCAI 2026

Region-Aware Multimodal Large Language Model via SlowFast Tokenization and Pseudo-Mask Guidance for 3D CT Report Generation

区域感知多模态大语言模型：基于慢快标记化与伪掩码引导的3D CT报告生成

Sunggu Kyung, Jinyoung Seo, Hyunseok Lim, Dongyeong Kim, Hyungbin Park, Jimin Sung, Jihyun Kim, Wooyoung Jo, Yoojin Nam, Namkug Kim

机构 * Department of Convergence Medicine, University of Ulsan College of Medicine, Asan Medical Center, Seoul, Republic of Korea（韩国首尔峨山医疗中心蔚山大学医学院融合医学系） ； University of Ulsan College of Medicine, Seoul, Republic of Korea（韩国首尔蔚山大学医学院） ； Department of Radiology and Research Institute of Radiology, University of Ulsan College of Medicine, Asan Medical Center, Seoul, Republic of Korea（韩国首尔峨山医疗中心蔚山大学医学院放射科与放射学研究所） 纠错

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

AI总结 提出MedRegion-CT框架，通过区域慢快标记器联合建模全局与细粒度信息、伪掩码引导关注诊断关键区域、结构化病变信息提示，实现高质量CT报告生成，在多项指标上达到最优。

Comments Accepted to ECCV 2026. 15 pages, 8 figures, 4 tables

Efficient Image-to-Image Schrödinger Bridge for CT Field of View Extension

面向CT视野扩展的高效图像到图像薛定谔桥

Zhenhao Li, Song Ni, Long Yang, Xiaojie Yin, Haijun Yu, Jiazhou Wang, Hongbin Han, Weigang Hu, Yixing Huang

机构 * Institute of Medical Technology, Peking University Health Science Center（北京大学人民医院医学技术研究所） ； Shanghai Cancer Center, Fudan University（复旦大学上海癌症中心） ； Department of Electrical and Computer Engineering, University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校电气与计算机工程系） ； Beijing Key Laboratory of Intelligent Neuromodulation and Brain Disorder Treatment（北京智能神经调控与脑疾病治疗重点实验室） 纠错

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

AI总结 提出基于图像到图像薛定谔桥（I²SB）扩散模型的CT视野扩展框架，通过直接学习有限视野与扩展视野图像间的随机映射，实现单步快速推理，在精度和速度上均超越现有扩散模型。

Comments 12 pages

Journal ref IEEE Transactions on Radiation and Plasma Medical Sciences 2026

CogGen: Cognitive-Load-Inspired Fully Unsupervised Deep Generative Modeling for Compressively Sampled MRI Reconstruction

CogGen: 认知负荷启发的全无监督深度生成模型用于压缩感知MRI重建

Qingyong Zhu, Yumin Tan, Xiang Gu, Dong Liang

机构 * Medical AI Research Centre, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院医学人工智能研究中心） ； School of Biomedical Engineering, Southern Medical University（南方医科大学生物医学工程学院） ； School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院） ； Paul C. Lauterbur Research Centre for Biomedical Imaging, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院Paul C. Lauterbur生物医学成像研究中心） 纠错

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

AI总结 提出CogGen框架，基于认知易到难原则，通过自定进度课程学习和MRI感知双阈值加权策略，将CS-MRI重建分解为分阶段反演问题，理论证明降低局部充分迭代界和累积噪声放大界，实验优于现有无监督和有监督方法。

CT-VDETR: Semi-supervised 3D Trauma Detection in Computed Tomography (CT) scans using Dense Vertex Relative Position Encoding

CT-VDETR：使用密集顶点相对位置编码的CT扫描半监督3D创伤检测

Shivam Chaudhary, Sheethal Bhat, Andreas Maier

机构 * University of Freiburg（弗赖堡大学） 纠错

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

AI总结 提出CT-VDETR框架，结合自监督预训练和半监督transformer检测，在仅78个标注体数据上实现31.33% mAP@0.50，比纯监督方法提升1.53倍。

Comments v2: Updated results with corrected dataset split. Revised Table 1 (mAP@0.50: 31.33% SSL vs 20.45% baseline, 1.53x improvement; mAP@0.75: 30.95% vs 10.45%, 2.96x improvement). Updated validation curves showing stable convergence. No methodology changes. 7 pages, 4 figures, 2 tables. Code: https://github.com/shivasmic/3d-trauma-detection-ssl

Cyst-X: A Multi-Center MRI Benchmark and Federated Learning Framework for Malignancy-Risk Stratification of Pancreatic Cystic Neoplasm

Cyst-X：用于胰腺囊性肿瘤恶性风险分层的多中心MRI基准与联邦学习框架

Hongyi Pan, Gorkem Durak, Elif Keles, Ziliang Hong, Deniz Seyithanoglu, Zheyuan Zhang, Alpay Medetalibeyoglu, Halil Ertugrul Aktas, Andrea Mia Bejar, Yavuz Taktak, Gulbiz Dagoglu Kartal, Mehmet Sukru Erturk, Timurhan Cebeci, Yury Velichko, Lili Zhao, Emil Agarunov, Federica Proietto Salanitri, Concetto Spampinato, Pallavi Tiwari, Ziyue Xu, Sachin Jambawalikar, Ivo G. Schoots, Marco J. Bruno, Chenchan Huang, Candice W. Bolan, Tamas Gonda, Frank H. Miller, Rajesh N. Keswani, Michael B. Wallace, Ulas Bagci

机构 * Machine & Hybrid Intelligence Lab, Department of Radiology, Northwestern University（机器与混合智能实验室，放射科，西北大学） ； Istanbul Faculty of Medicine, Istanbul University（伊斯坦布尔大学医学学院） ； Department of Biomedical Engineering and Radiology, University of Wisconsin-Madison（生物医学工程与放射科，威斯康星大学麦迪逊分校） ； Department of Preventive Medicine, Northwestern University（预防医学系，西北大学） ； Division of Gastroenterology and Hepatology, New York University（消化内科与肝病科，纽约大学） ； Department of Electrical, Electronic and Computer Engineering, University of Catania（电气、电子和计算机工程系，卡塔尼亚大学） ； NVIDIA ； Department of Radiology, Columbia University（放射科，哥伦比亚大学） ； Department of Radiology and Nuclear Medicine, Erasmus Medical Center（放射科与核医学科，埃因霍温医学院） ； Department of Gastroenterology and Hepatology, Erasmus Medical Center（消化内科与肝病科，埃因霍温医学院） ； Department of Radiology, New York University（放射科，纽约大学） ； Division of Gastroenterology and Hepatology, Mayo Clinic Florida（消化内科与肝病科，迈阿密诊所佛罗里达分部） ； Department of Gastroenterology and Hepatology, Northwestern University（消化内科与肝病科，西北大学） 纠错

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

AI总结 提出Cyst-X，一个多中心MRI基准和联邦学习框架，用于IPMN恶性风险分层，结合PanSegNet分割器和3D DenseNet-121分类器，在内部交叉验证中达到0.85的AUC，性能与放射科医生相当。

Cardiac MRI Through-Plane Super-Resolution Guided by Reference and Memory

基于参考和记忆引导的心脏MRI平面内超分辨率

Shaoming Pan, Chenchuhui Hu, 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 Grossman School of Medicine（纽约大学格罗斯曼医学院） 纠错

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

AI总结 研究针对临床心脏MRI平面间分辨率粗糙的问题，提出STRMSR框架，利用参考视图和中间结果重建高分辨率心脏容积，通过粗到细匹配、动态特征聚合等方法，在WHS数据集实验中，相比基线在不同上采样因子下有一致改进。

Comments 8 pages, 3 figures 2 tables (accepted In International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) Workshop STACOM, 2026 (oral))

Validation of Fully-Automated Deep Learning-Based Fibroglandular Tissue Segmentation for Efficient and Reliable Quantitation of Background Parenchymal Enhancement in Breast MRI

用于乳腺MRI中背景实质增强高效可靠量化的全自动深度学习型纤维腺体组织分割验证

Yu-Tzu Kuo, Anum S. Kazerouni, Vivian Y. Park, Wesley Surento, Suleeporn Sujichantararat, Daniel S. Hippe, Habib Rahbar, Savannah C. Partridge

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

AI总结 本研究验证了一种开源全自动深度学习型纤维腺体组织分割方法，其在乳腺MRI背景实质增强量化中，较半自动模糊C均值方法相关性更强、质量更高，可提升效率并助力标准化乳腺癌风险评估。

Journal ref Proc. SPIE 13926, Medical Imaging 2026: Computer-Aided Diagnosis, 139262F (2026)

FlowLet: Conditional 3D Brain MRI Synthesis using Wavelet Flow Matching

FlowLet: 基于小波流匹配的条件性3D脑MRI合成

Danilo Danese, Angela Lombardi, Matteo Attimonelli, Giuseppe Fasano, Tommaso Di Noia

机构 * Politecnico di Bari（巴里理工学院） ； Sapienza University of Rome（罗马萨皮恩扎大学） 纠错

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

AI总结 提出FlowLet框架，利用可逆3D小波域中的流匹配生成年龄条件化的3D脑MRI，避免重建伪影并降低计算需求，实验证明其生成高保真体积且提升脑年龄预测模型对低代表性年龄组的性能。

Comments Accepted at Medical Image Analysis (Elsevier)

MMRINet: Efficient Mamba-Based Segmentation with Dual-Path Refinement for Low-Resource MRI Analysis

MMRINet: 基于Mamba的高效双路径细化分割网络用于低资源MRI分析

Abdelrahman Elsayed, Ahmed Jaheen, Mohammad Yaqub

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； 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；medical image(comments)

AI总结 提出MMRINet，一种基于Mamba的轻量级分割网络，通过双路径特征细化和渐进特征聚合，在低资源MRI分析中以2.5M参数实现高效分割，在SSA数据集上优于UNETR等基线。

Comments Accepted at The Medical Image Understanding and Analysis Conference (MIUA 2026)

Confidence-Calibrating Regularization for Robust Brain MRI Segmentation Under Domain Shift

面向域偏移下鲁棒脑部MRI分割的置信度校准正则化方法

Behraj Khan, Tahir Qasim Syed, Syed Ahmad Chan Bukhari, Vasile Palade, Vincent Vigneron

机构 * Institute of Business Administration（商业管理学院） 纠错

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

AI总结 针对SAM用于脑部MRI分割时的域偏移与过置信问题，提出轻量适配框架CalSAM，通过FIP与CMP仅微调解码器，在多数据集偏移任务上显著提升分割准确率与置信度校准度。

Improving Deep Learning for Accelerated MRI With Data Filtering

通过数据过滤改进用于加速MRI的深度学习

Kang Lin, Anselm Krainovic, Kun Wang, Reinhard Heckel

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

AI总结 本研究针对加速MRI重建，通过整合多源数据构建评估集，提出数据过滤策略，实验证实该策略可稳定提升当前SOTA神经网络的性能，且在分布内数据占比低时效果更显著。

RibAssist 3D: Biplanar Rib-Fracture Detection, Addressing, and Selective 3D Localization from CT-Derived Projections

RibAssist 3D：基于CT衍生投影的双侧肋骨骨折检测、配对与选择性3D定位

Kabila Haile Soboka

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 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RibAssist 3D模型，通过CT的双侧投影实现肋骨骨折的检测、配对与选择性3D定位，识别跨视图配对置信度为瓶颈，经实验验证其几何精度高，可辅助提升肋骨骨折定位效率。

Comments 9 pages, 6 figures. Code available at: https://github.com/kabJhai/RibAssist-3D

Now You Have My Healthy Attention: A U-DiT for Brain-MRI Inpainting

现在你拥有我的健康注意力：用于脑部MRI修复的U-DiT

Danilo Danese, Angela Lombardi, Tommaso Di Noia

机构 * Politecnico di Bari（巴里理工大学） 纠错

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

AI总结 针对脑部MRI修复任务，提出U-DiT模型，结合对侧对称先验与注意力约束，在BraTS-2026验证集219例病例上取得健康区域SSIM 0.864等优异指标，提升了解剖学合理性。

Decouple and Reason: Anatomically Guided Two-Stage Voxel-Level Grounding of Free-Text Findings in 3D Chest CT

解耦与推理：3D胸部CT中自由文本发现的解剖学引导两阶段体素级定位

Kwang-Hyun Uhm, Inhwa Son, Sung-Jea Ko

机构 * Department of Artificial Intelligence, Gachon University（韩国加图立大学人工智能系） ； MEDAI 纠错

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

AI总结 研究3D胸部CT中自由文本发现的体素级定位难题，提出解耦框架，分病变分割和文本-体积推理两阶段，利用解剖学引导解决空间模糊性，在基准测试中取得领先，证明解耦是处理该复杂性的有效范式。

Comments Accepted to MICCAI 2026 (Spotlight Presentation)

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。

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

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。

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。

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

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。

Quality assurance of the Federal Interagency Traumatic Brain Injury Research (FITBIR) database for multi-site MRI analysis

用于多站点MRI分析的联邦跨部门创伤性脑损伤研究（FITBIR）数据库的质量保证

Adam M. Saunders, Michael E. Kim, Gaurav Rudravaram, Elyssa M. McMaster, Chloe Scholten, Sequoia Wade, Marselle Rasdall, Simon Vandekar, Tonia S. Rex, François Rheault, Bennett A. Landman

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

AI总结 针对FITBIR数据库，将其结构和扩散MRI及相关信息整理统一，用UNesT分割分析指标，经质量保证后用GAMLSS建模，发现TBI受试者与对照组相比，15个脑区体积有显著差异。

Comments 8 pages, 5 figures

Anatomically Guided Latent Diffusion for Brain MRI Progression Modeling

用于脑 MRI 进展建模的解剖学引导潜在扩散

Cheng Wan, Bahram Jafrasteh, Ehsan Adeli, Miaomiao Zhang, Qingyu Zhao

机构 * Cornell University（康奈尔大学） ； Weill Cornell Medicine（韦尔医学院） ； Stanford University（斯坦福大学） ； University of Virginia（弗吉尼亚大学） 纠错

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

AI总结 研究旨在准确建模脑 MRI 进展，提出解剖学引导潜在扩散模型 AG-LDM，通过融合多因素简化训练流程，经实验验证其在图像质量、误差降低及特征捕捉等方面表现优异，是可靠的脑 MRI 进展建模框架。

Comments 24 pages, 7 figures, 7 tables. Code available at https://github.com/JornyWan/AG-LDM

UniField: A Unified Field-Aware MRI Enhancement Framework

UniField: 一种统一的场感知MRI增强框架

Yiyang Lin, Chenhui Wang, Zhihao Peng, Yixuan Yuan

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

AI总结 UniField通过整合多模态和增强任务，利用共享退化特性提升MRI增强性能，提出场感知频谱校正机制并公开大规模多场MRI数据集。

A Deep Multiscale Neural Network for Accurate Neurological Disorder Detection from MRI Scans and Real-Time Web Deployment

一种用于MRI扫描中神经系统疾病准确检测的深度多尺度神经网络及实时Web部署

Ali Fatahi, Hoda Zamani, Mohammad H. Nadimi-Shahraki

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

AI总结 提出End-Net网络，通过多尺度Inception模块和WGAN-GP数据增强，实现MRI多类神经系统疾病的高精度分类，并部署为实时Web系统。

CTForensics: A Comprehensive Dataset and Method for AI-Generated CT Image Detection

CTForensics：用于人工智能生成的CT图像检测的综合数据集和方法

Yiheng Li, Zichang Tan, Guoqing Xu, Yichun Yeh, Yang Yang, Zhen Lei

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS） ； CAIR, HKISI, Chinese Academy of Sciences（中国科学院计算智能研究中心） ； Sangfor Technologies Inc.（深信服技术有限公司） 纠错

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

AI总结 研究针对人工智能生成CT图像检测难题，介绍含75990张二维CT图像的CTForensics数据集及十种生成模型样本，提出ESF-CTFD框架，实验表明该框架性能优且抗干扰强。

Comments under review, repo: https://github.com/liyih/CTForensics

Pixelwise Uncertainty Quantification of Accelerated MRI Reconstruction

加速MRI重建的像素级不确定性量化

Ilias I. Giannakopoulos, Lokesh B Gautham Muthukumar, Yvonne W. Lui, Riccardo Lattanzi

机构 * Bernard and Irene Schwartz Center for Biomedical Imaging, Department of Radiology, NYU Grossman School of Medicine（贝纳德与伊蕾娜·施瓦茨生物医学成像中心，放射学系，纽约大学格罗斯曼医学院） ； Courant Institute of Mathematical Sciences, NYU（数学科学学院，纽约大学） ； Center for Advanced Imaging Innovation and Research (CAI 2 R), Department of Radiology, NYU Grossman School of Medicine（先进成像创新与研究中心（CAI 2 R），放射学系，纽约大学格罗斯曼医学院） 纠错

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

AI总结 提出一种基于共形分位数回归的像素级不确定性量化框架，用于加速MRI重建，无需全采样参考图像即可自动识别不可靠区域。

Comments 12 pages, 8 figues, 2 tables