医学 AI

A full $p^{4r}$ supercongruence tower for a level-three symmetric-cube hypergeometric sequence

一个三级对称立方超几何序列的完整 $p^{4r}$ 超同余塔

Alex Shvets

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 本文证明了一个三级对称立方超几何序列的素数幂超同余塔 $A_{mp^r}\equiv A_{mp^{r-1}}\pmod{p^{4r}}$，通过模形式方法将已知的深度一模 $p^4$ 推广到所有素数幂。

Comments 16 pages

Generalized Fock--Lorentz Transformations from Projective Conformal Coordinates: Covariant Structure, Sector Classification, and Oscillator Limits

从投影共形坐标导出的广义Fock-Lorentz变换及其在一维相对论谐振子中的应用

Abdelmalek Boumali, N. Jafari, M. Botshekananfard

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 基于投影共形映射构造广义Fock-Lorentz变换，揭示不变间隔结构和光速坐标依赖，并应用于一维Klein-Gordon和Dirac谐振子，得到绝热近似下的频谱修正。

Forbidden Intersection Theorems for Matrix Spaces

矩阵空间中的禁止交定理

Esty Kelman, Nathan Lindzey, Ohad Sheinfeld

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 研究一般线性群中矩阵族避免特定维数核交的问题，证明当t小于常数倍n时，极大家族仅由t-共治族及其对偶构成，并给出Frankl-Rödl型构造表明t>n/2时行为改变。

++nnU-Net: Scaling nnU-Net with Prefix-Based Data Augmentation

++nnU-Net: 基于前缀数据增强的nnU-Net扩展

Ana Sofia Santos, André Ferreira, Gijs Luijten, Naida Solak, Lisle Faray de Paiva, Behrus Hinrichs-Puladi, Jens Kleesiek, Jan Egger, Victor Alves

机构 * Center Algoritmi / LASI, University of Minho, Braga, Portugal（阿尔戈里米中心/拉斯伊大学，明霍大学，布拉加，葡萄牙） ； Institute for Artificial Intelligence in Medicine, University Medicine Essen, Essen, Germany（医学人工智能研究所，埃森医学院，埃森，德国） ； Institute of Medical Informatics / Dept. of Oral and Maxillofacial Surgery, University Hospital RWTH Aachen, Germany（医学信息学研究所/口腔和颅面外科部，亚琛大学医院，德国） ； Faculty of Computer Science, University of Duisburg-Essen, Essen, Germany（计算机科学学院，杜伊斯堡-埃森大学，埃森，德国） 纠错

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

AI总结 提出++nnU-Net，通过图像配准进行数据增强，在预处理和训练前生成变形图像，在5个2D数据集上提升Dice系数最高约22%。

Comments 7 pages, 1 figure, 2 tables

The Whale That Outswam Evolution: Swarm Intelligence Maximises Memory in Connectome Reservoirs

超越进化的鲸鱼：群体智能在连接组储备池中最大化记忆

Anmol Guragain, Savvas Kakalis, Juan Ignacio Godino-Llorente

机构 * University of Murcia（穆尔西亚大学） ； University of Pisa（比萨大学） 纠错

专题命中 医学影像 ：MRI(abstract,abstract_cn)

AI总结 应用四种无梯度生物启发优化器优化六物种连接组储备池的边权重，在所有任务和物种上均优于未优化的生物基线，鲸鱼优化算法实现最大提升（记忆容量提升17倍，均方根误差降低89%），表明生物权重是拓扑无法替代的必要归纳偏置。

Boundedness and evolution rates for a quasilinear reaction-diffusion equation

一类拟线性反应扩散方程的有界性与演化速率

Razvan Gabriel Iagar, Marta Latorre, Ariel Sánchez

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 研究N≥3维空间中指数1<p<m且σ<-2的拟线性反应扩散方程，证明初始条件满足一定衰减时解一致有界，并建立了紧支集数据正性集上界R(t)的扩张速率及外部区域的不同时间尺度。

Successive Convexification for Trajectory Optimization with Continuous-time Satisfaction of Signal Temporal Logic Specifications

满足连续时间信号时序逻辑规范的轨迹优化的逐次凸化方法

Samet Uzun, Behçet Açıkmeşe

专题命中 医学影像 ：CT(abstract,abstract_cn)

AI总结 提出基于广义均值鲁棒性的逐次凸化框架，将连续时间信号时序逻辑约束转化为可微形式，结合时间缩放、控制参数化、多重打靶离散化和收敛保证的序贯凸规划求解非凸轨迹优化问题。

DSU-Net: An Attention-Enhanced Dense Skip U-Net for Breast Lesion Segmentation in Mammographic Images

DSU-Net：用于乳腺X线图像中乳腺病变分割的注意力增强密集跳跃U-Net

Reza Bozorgpour, Mohammadreza Soltany Sadrabadi

机构 * Department of Biomedical Engineering, University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校生物医学工程系） ； Department of Mechanical Engineering, Northern Arizona University（北亚利桑那大学机械工程系） 纠错

专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV、q-bio、eess.IV

AI总结 提出DSU-Net，通过密集跳跃连接和注意力机制改进特征传播与边界描绘，在CBIS-DDSM数据集上实现高精度乳腺病变分割。

What to Preserve, Where to Adapt: A Depth-Wise Analysis of Forgetting in Continual Gynecological Image Segmentation

保留什么，适配何处：妇科图像持续分割中遗忘的深度分析

Amal Saqib, Tausifa Jan Saleem, Numan Saeed, Mohammad Yaqub

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

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

AI总结 针对妇科图像持续分割中灾难性遗忘问题，通过分块消融与受控适配实验，揭示网络深度上的更新位置对遗忘的影响，为解决该场景下的持续学习问题提供依据。

Positive-Unlabeled Preference Optimization For Chest X-ray Report Generation

面向胸部X射线报告生成的正例-无标签偏好优化

Yuta Kobayashi, Pradyun Ramesh, Muhammad Ahmed Chaudhry, Vincent Jeanselme, Judy Wawira Gichoya, Sanmi Koyejo, Kathleen Capaccione, Shalmali Joshi

机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Emory University（埃默里大学） 纠错

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

AI总结 该研究针对放射报告生成VLM的遗漏噪声问题，提出PU-DPO框架，将未提及项视为无标签，通过对比对优化，提升病理检测率与隐藏正例恢复能力，增强对遗漏噪声的鲁棒性。

An Accessible Solution for Deformable Image Registration Compared with Learning-Based Approaches

与基于学习的方法相比可变形图像配准的可及解决方案

Onur Ali Zeybekoglu, David Tilly, Orcun Goksel

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

AI总结 本研究提出pTVreg的可及实现及自动设置参数的贝叶斯优化框架，在Lung250M-4B数据集上其性能优于现有深度学习方案及其他pTVreg变体。

ScaFE: Data-Efficient Scar Classification with LLM-Generated Clinical Feature Programs

ScaFE：基于大语言模型生成的临床特征程序实现数据高效的瘢痕分类

Ruman Wang, Hangting Ye

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

AI总结 ScaFE将LLM临床知识转化为本地可执行的特征程序，结合轻量级随机森林，在瘢痕分类任务中实现数据高效、跨站点的高性能，且决策可审计，优于现有基线模型。

ESRVS: Extreme Semi-Supervised Retinal Vessel Segmentation with a Single Annotated Image

ESRVS：基于单张标注图像的极端半监督视网膜血管分割

Mingzhi Xu, Yizhe Zhang

机构 * Nanjing University of Science and Technology（南京理工大学） 纠错

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

AI总结 研究极端半监督下视网膜血管分割问题，提出ESRVS方法，通过选择参考图像、传递血管线索、构建原型等操作生成伪标签并优化监督，在多数据集上表现优异，证明基础模型标签传播对高效视网膜血管分割有潜力。

Comments 15 pages, 2 figures.Accepted by PRCV 2026

Variational Low-rank Tensor Decomposition for Multisubject Spatiotemporal Data Analysis

用于多主体时空数据分析的变分低秩张量分解

Laura M. Montaldo, Ricardo A. Borsoi, Sebastian Miron, Tulay Adali

机构 * CRAN, Université de Lorraine, CNRS, Vandoeuvre-lès-Nancy, France（CRAN、洛林大学、CNRS、法国凡多伊-勒-纳恩西） 纠错

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

AI总结 针对多主体时空数据建模难题，提出时空变分张量分解框架，结合张量分解模型与结构化先验，利用LL1和LSTM分别处理空间和时间因子，经展开优化算法迭代推理，热启动策略提升性能，实验显示其优于基准方法。

Comments 6 pages, 2 figures, conference

Self-supervision drives representational convergence in medical foundation models more than clinical supervision

自我监督比临床监督更能推动医学基础模型中的表征趋同

Soroosh Tayebi Arasteh, Sebastian Ziegelmayer, Mahshad Lotfinia, Lisa Adams, Sven Nebelung, Jakob Nikolas Kather, Daniel Truhn

机构 * RWTH Aachen University（亚琛工业大学） ； University Hospital RWTH Aachen（亚琛工业大学附属医院） ； Technical University of Munich（慕尼黑工业大学） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学） ； Technical University Dresden（德累斯顿工业大学） ； University Hospital Dresden（德累斯顿大学附属医院） ； University Hospital Heidelberg（海德堡大学附属医院） 纠错

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

AI总结 研究探讨医学基础模型中表征趋同问题，通过对多个编码器剖析发现自我监督比临床监督更能驱动收敛，虽收敛有限但线性分类器可跨编码器转移，表明医学成像收敛由预训练目标决定，为互操作性设计与验证提供依据。

Pediatric Bone Age Prediction Using Deep Learning

基于深度学习的小儿骨龄预测

Al Zadid Sultan Bin Habib, Md. Ekramul Islam, Md Asif Bin Syed, Md Younus Ahamed, Tanpia Tasnim

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

AI总结 研究利用深度学习，通过带加法注意力的 EfficientNet 及超过 12000 张 RSNA 数据集的 X 光图像，经预处理和卷积神经网络训练预测小儿骨龄，使用两个模型变体对比，结果显示该方法更准确有效，为小儿内分泌疾病诊断提供新方案。

Comments Published in 2023 26th International Conference on Computer and Information Technology (ICCIT), IEEE, December 2023

TCAM-Diff: Triplane-Aware Cross-Attention Medical Diffusion Model

TCAM-Diff：三平面感知交叉注意力医学扩散模型

Zhenkai Zhang, Krista A. Ehinger, Tom Drummond

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

AI总结 研究提出TCAM-Diff这一3D医学图像生成模型，采用仅解码器自动编码器方法学习三平面表示，利用三平面感知交叉注意力扩散模型整合特征，经预训练解码器模块转换为3D体素，在多规模医学数据集实验中结果出色，优于其他类似方法。

Comments Accepted at AAAI 2025. Code is available at https://github.com/Fredy-Zhang/TCAM-Diff

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(21): 22732-22740, 2025

Steering Diffusion Models via Class-Contrastive Influence for Few-Shot Medical Classification

通过类对比影响引导扩散模型进行少样本医学分类

Jeeyung Kim, Erfan Esmaeili, Qiang Qiu

机构 * Purdue University（普渡大学） 纠错

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

AI总结 针对少样本医学分类中标记数据稀缺，现有方法忽视样本对分类有用性衡量与优化的问题，提出类对比影响（C2I）准则，通过强化学习用C2I奖励微调扩散模型，引导生成类信息丰富样本，提高了下游准确性和鲁棒性。

Toward Efficient Weakly Supervised Semantic Segmentation Using Only Low-Magnification Histopathological Images

仅使用低倍率组织病理学图像实现高效弱监督语义分割

Dung Minh Do, Nhat-Thanh Huynh, Duc Minh Huynh, Doanh C. Bui, Khang Nguyen

机构 * University of Information Technology, Ho Chi Minh City, Vietnam（越南胡志明市信息科技学院） ； Vietnam National University Ho Chi Minh City, Ho Chi Minh City, Vietnam（越南国家大学胡志明市分校） 纠错

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

AI总结 研究探讨仅用低倍率组织病理学图像实现高效弱监督语义分割，通过模拟低倍率输入并重建，构建框架评估弱监督方法对分辨率退化的响应，发现重建质量指标不能预测分割性能，确定关键退化点，为设计数字病理存储系统提供指导。

Comments Accepted at MAPR 2026

Mirror-Fusion Attention for Reflection-Aware Self-Supervised Representation Learning

镜像融合注意力用于反射感知的自监督表示学习

Ruixin Li, Jin Liu, Yuling Shi, Stefano Lodi

机构 * University of Bologna（博洛尼亚大学） ； Jilin University（吉林大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 提出MFASSL框架，通过镜像融合注意力模块在自监督学习中注入软反射先验，提升医学图像和人脸等近似对称数据的下游性能与鲁棒性。

Comments Accepted at ECML PKDD 2026. The final authenticated version will be available in the Springer LNCS proceedings

Parameter-Efficient Adaptation of SAM3 for Prompt-Driven Surgical Concept Segmentation

用于提示驱动手术概念分割的 SAM3 的参数高效适配

Changjing Liu, Yiming Huang, Beilei Cui, Liangjing Shao, Long Bai, Yanheng Li, Haoxuan Che, Hongliang Ren

机构 * The Chinese University of Hong Kong（香港中文大学） ； XGEN Labs（XGEN实验室） 纠错

专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV；medical AI(comments)

AI总结 针对手术数据与预训练数据的领域差距及现有方法计算消耗大效率低的问题，提出用低秩适配（LoRA）对 SAM3 进行参数高效适配用于手术概念分割，该方法在单个 GPU 上训练且性能优于主流基线，结果可支持下游手术场景重建和模拟。

Comments Accepted by The 2nd MICCAI Workshop on Efficient Medical AI

HemoPIC: A Physics-Informed Cerebral Hemodynamics Digital Twin for Brain Perfusion

HemoPIC：用于脑灌注的物理信息脑血流动力学数字孪生模型

Yi-Chen Lee, Peirong Liu

专题命中 医学影像 ：diagnosis(abstract)；分类 q-bio、eess.IV

AI总结 研究提出物理信息脑血流动力学数字孪生模型HemoPIC，通过解决约束反问题，联合估计数字孪生参数和潜在状态，消除常规灌注定量中的手动AIF选择和反卷积，直接生成临床可行的灌注汇总图，还能进行正向模拟和反事实干预分析。

CMCNet: Aligning Ultrasound Image Embeddings with Textual TI-RADS Representations for Fine-Grained Thyroid Classification

CMCNet：将超声图像嵌入与文本TI-RADS表示对齐以用于细粒度甲状腺分类

Bingxin Yu, Xueli Wang, Jerry Zhou, Wenyan Wang, Li Wen, Lan Huang, Xin Feng, Fengfeng Zhou, Kewei Li

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

AI总结 本研究构建含600个甲状腺结节的STN数据集，提出CMCNet模型，通过中心间隔对比损失对齐图像与文本嵌入，实现细粒度甲状腺分类，性能优于多类基线方法。

From Monolithic to Modular: Segment-level Automatic Prompt Optimization

从整体到模块：片段级自动提示优化

Nikita Kulin, Viktor Zhuravlev, Artur Khairullin, Sergey Muravyov, Ilya Makarov, Daniil Sukhorukov, Ekaterina Averkova

机构 * ITMO University（伊蒂莫大学） ； HSE（高等经济大学） 纠错

专题命中 医学影像 ：diagnosis(abstract)；分类 cs.LG

AI总结 针对自动提示优化易顾此失彼的问题，提出片段级APO方法SAPO，将提示拆分后针对性优化，在多数据集和模型上取得优于基线的平均得分。

Comments Accepted at the IJCAI-ECAI 2026 Workshop on Robustifying Generative AI for Reliable, Safe, and Human-Centric Systems (RobustifAI)

MedPixel: A Unified Pixel-Language Model for Medical Reasoning and Segmentation

MedPixel：用于医学推理与分割的统一像素-语言模型

Haoyu Yang, Meixing Shi, Zengjie Chen, Haoran Sun, Haitao Leng, Xiaoming Shi, Yuxiang Cai, Yankai Jiang

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

AI总结 该研究提出统一医学像素-语言模型MedPixel，引入44万样本的MedPLG-440K数据集，通过联合多任务微调与像素级偏好优化训练，支持多类医学任务，性能优异且具备零样本迁移与鲁棒性。

Multimodal Skin Lesion Classification with Swin Transformer and Clinical Metadata Fusion

基于Swin Transformer与临床元数据融合的多模态皮肤病变分类

Nethmi Pathirana, Isuru Munasinghe, Dileeka Alwis

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

AI总结 该研究针对皮肤病变分类的自动化挑战，提出结合Swin Transformer图像特征与临床元数据的多模态框架，在公开数据集上实现92.55%测试准确率，兼具强少数类性能与预测可信度。

A foundation-model approach to pediatric headache classification from rs-fMRI

基于rs-fMRI的儿童头痛分类的基础模型方法

Guilherme S. Imai Aldeia, Clara Moon, Julie Shulman, Navil Sethna, Allison Smith, Alyssa Lebel, William G. La Cava, Scott Holmes

机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） 纠错

专题命中 医学影像 ：MRI(abstract)；分类 cs.LG

AI总结 本研究采用基础模型NeuroSTORM对rs-fMRI数据编码微调，在189次扫描的儿童数据中，其头痛分类性能优于FC矩阵模型，可区分慢性偏头痛，为儿童头痛预测提供了概念验证。

Comments 22 pages, 6 figures. In Proceedings of Machine Learning Research, Volume 340, 2026 (Machine Learning for Healthcare Conference)

Does FLAIR super-resolution erase or hallucinate small white-matter lesions?

FLAIR超分辨率是清除还是幻觉了小白质病变？

Zahra Khodakarami, Yue Li, Pulkit Khandelwal, John Detre, Sandhitsu Das, Christopher Brown, David Wolk, Paul Yushkevich

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 该研究针对FLAIR超分辨率是否影响白质病变的问题，采用ADNI数据对比多种上采样方法，发现超分辨率主要清除小病灶，ECLARE的小病灶信号恢复效果最优。

Comments 10 pages, 2 figures, 3 tables. Accepted at the 11th International Workshop on Simulation and Synthesis in Medical Imaging (SASHIMI 2026), held in conjunction with MICCAI 2026. This is the version submitted for review; the final authenticated version will appear in the Springer LNCS proceedings

STAIL: Semantic Text-Anchored Incremental Learning for Medical Imaging via Large Language Models

STAIL：基于大语言模型的医学影像语义文本锚定增量学习

Songpan Gao, Yajie Zhang, Guanxing Chen, Jiayu Qian, Zhenzhen Liu, Shijun Li, Xiaowei Zhu, Yao Hu, Kay Chen Tan, Yu-An Huang, Shiqi Wang, Zhi-An Huang

机构 * City University of Hong Kong (Dongguan)（香港城市大学（东莞）） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 针对医学影像分析深度学习模型的灾难性遗忘问题，提出STAIL框架，通过SCB和LSAM方法，在三个异构医学数据集上提升基线性能，即插即用且效果显著。

A Unified 2D Framework for DeepLesion Detection, Segmentation and Short Report Generation

用于DeepLesion检测、分割及简短报告生成的统一二维框架

Ruida Cheng, Tejas S. Mathai, Benjamin Hou, Qingqing Zhu, Zhiyong Lu, Matthew McAuliffe, Ronald M. Summers

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

AI总结 本研究开发了一个整合LLM推理、病变检测、分割及报告生成的统一二维框架，在DeepLesion数据集上取得了各项指标提升，解决了其分割难题并开源了相关资源。

Comments 18 pages, 8 figures