医学 AI

Rendering Novel Views of MRI Using 3D Gaussian Splatting

使用3D高斯泼溅渲染MRI的新视图

Robin Y. Park, Mark C. Eid, Rhydian Windsor, Amir Jamaludin, Ana I. L. Namburete, João F. Henriques, Andrew Zisserman

机构 * Visual Geometry Group, University of Oxford（视觉几何组，牛津大学） ； Oxford Machine Learning in NeuroImaging Lab, University of Oxford（牛津大学神经影像学机器学习实验室） 纠错

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

AI总结 通过3D高斯泼溅从稀疏各向异性MRI重建体积并采样与目标解剖对齐的平面，生成更优的放射学分级视图，相比原始扫描和体素插值方法提高了椎管狭窄分级准确性。

Prob-BBDM: a Probabilistic Brownian Bridge Diffusion Model for MRI sequence image-to-image translation

Prob-BBDM：用于MRI序列图像到图像翻译的概率布朗桥扩散模型

Martin Valls, Pascal Bourdon, Christine Fernandez-Maloigne, Guillaume Herpe, David Helbert

机构 * University of Poitiers, CNRS, XLIM, France（波尔多大学，法国国家科学研究中心，XLIM，法国） ； University of Poitiers, CNRS, Laboratory of Applied Mathematics, France（波尔多大学，法国国家科学研究中心，应用数学实验室，法国） ； Poitiers University Hospital（波尔多大学医院） ； I3M common laboratory CNRS-Siemens Healthinners, Poitiers University Hospital and University of Poitiers, France（I3M共同实验室，法国国家科学研究中心-西门子医疗，波尔多大学医院和波尔多大学，法国） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；medical image(abstract)

AI总结 提出基于概率布朗桥扩散模型（Prob-BBDM）的MRI序列图像翻译方法，通过变分编码器引导扩散机制，在BraTS 2021数据集上实现高效高质量合成，仅需4步扩散，SSIM达88.46%，PSNR达26.09 dB。

Journal ref Computerized Medical Imaging and Graphics, 2026, 130, pp.102745

Longitudinal 3D Foundation Modeling for Neoadjuvant Breast Cancer Response Prediction from Serial DCE-MRI

用于从系列动态对比增强磁共振成像（DCE-MRI）预测乳腺癌新辅助治疗反应的纵向三维基础建模

Fidel Omar Tito Cruz, Neda Ghafouri, Zengyan Wang, Pegah Khosravi, Yu Tian, Chen Chen

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

AI总结 本研究提出结合三维基础编码器与时间动态网络的纵向框架，融合系列DCE-MRI与临床数据，在982例乳腺癌患者上实现了较好的pCR预测性能。

Comments Accepted at the Applications of Medical AI (AMAI) Workshop at MICCAI 2026

Towards Accurate and Fast Clinical Body Composition: A Resource-Efficient Hierarchical Segmentation Framework for Multi-Source CT

迈向准确快速的临床身体成分分析：一种用于多源CT的资源高效分层分割框架

Xiaodi Shen, Qingzhu Zheng, Yaoyang Qiu, Cien Fan, Ruonan Zhang, Yangdi Wang, Luyao Wu, Weikai Zheng, Longfei Zhao, Bing Li, Rulin Xu, Qiqi Xu, Ren Mao, Shiting Feng, Xuehua Li

机构 * Department of Radiology, The First Affiliated Hospital, Sun Yat-sen University（放射科，中山大学第一附属医院） ； Research & Development Center, Canon Medical Systems (China) Co. Ltd.（研发中心，佳能医疗系统（中国）有限公司） 纠错

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

AI总结 针对CT多源数据异质性及高内存需求问题，提出从粗到细分层框架，用动态间距等优化效率，在多数据集训练评估，Dice系数良好，能在标准CPU工作站平衡准确与效率，实现大规模身体成分分析。

Comments Affiliations: (1) Department of Radiology, The First Affiliated Hospital, Sun Yat-sen University, Guangzhou 510080, China. (2) Research & Development Center, Canon Medical Systems (China) Co. Ltd. Beijing 100015, China

SARFA: Segment Anything with Radiomic Feature Alignment

SARFA：基于放射组学特征对齐的任意分割

Tyler Ward, Abdullah Imran

机构 * University of Kentucky（肯塔基大学） 纠错

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

AI总结 针对医学成像中目标分割模糊问题，提出SARFA框架，通过概率性提示生成掩码，基于弗雷歇放射组学距离和直接偏好优化进行训练，在CT和MRI基准测试中优于现有方法，有效提升医学图像分割效果。

Comments 15 pages, 9 figures, 5 tables, 1 algorithm

LoSA-Net: A Localized and Scale-Adaptive Network for Boundary-Sensitive Prediction of Perineural Invasion in 3D MRI

LoSA-Net：用于3D MRI中神经周围侵犯边界敏感预测的局部化和尺度自适应网络

Youngung Han, Hyunsu Go, Kyeonghun Kim, Induk Um, Junga Kim, Jaewon Jung, Woo Kyoung Jeong, Won Jae Lee, Pa Hong, Ken Ying-Kai Liao, Hyuk-Jae Lee, Nam-Joon Kim

机构 * Seoul National University（首尔国立大学） ； OUTTA ； Chung-Ang University（Chung-Ang 大学） ； Samsung Medical Center, Sungkyunkwan University School of Medicine（三星医疗中心，成均馆大学医学院） ； Samsung Changwon Hospital（三星昌原医院） ； NVIDIA AI Technology Center（NVIDIA AI 技术中心） 纠错

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

AI总结 研究针对3D MRI中神经周围侵犯（PNI）预测难题，提出LoSA-Net架构，通过TNA、SAFM和CSRA技术，在168例胆管癌患者的对比增强MRI扫描中，该网络AUC达0.7567，优于卷积和Transformer基线。

Comments Published in the 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI 2026); accepted for oral presentation

Journal ref 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI), 2026

MMA-Former: Multi-Window Mixture-of-Head Attention Transformer for Adaptive PNI Prediction in 3D MRI

MMA-Former：用于3D MRI中自适应PNI预测的多窗口混合注意力头变压器

Youngung Han, Induk Um, Kyeonghun Kim, Junga Kim, Hyunsu Go, Jaewon Jung, Woo Kyoung Jeong, Won Jae Lee, Pa Hong, Ken Ying-Kai Liao, Hyuk-Jae Lee, Nam-Joon Kim

机构 * Seoul National University（首尔国立大学） ； OUTTA ； Chung-Ang University（Chung-Ang 大学） ； Samsung Medical Center, Sungkyunkwan University School of Medicine（三星医疗中心，全北大学医学院） ； Samsung Changwon Hospital（三星昌原医院） ； NVIDIA AI Technology Center（NVIDIA AI 技术中心） 纠错

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

AI总结 针对3D MRI无创预测PNI的挑战，提出MMA-Former，采用粗-细变压器结构及窗口特定混合注意力机制，能并行多尺度提取特征，实现空间自适应特征提取，在回顾性数据集上AUC达0.752，优于其他架构。

Comments Published in the 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI 2026); accepted for oral presentation

Journal ref 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI), 2026

Predicting gestational age at birth in the context of preterm birth from multi-modal fetal MRI

基于多模态胎儿MRI预测早产背景下的出生胎龄

Diego Fajardo-Rojas, Megan Hall, Daniel Cromb, Mary A. Rutherford, Lisa Story, Emma C. Robinson, Jana Hutter

机构 * Leibniz University Hannover（莱布尼茨汉诺威大学） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；biomedical(comments,journal_ref)；分类 cs.LG

AI总结 提出结合多模态胎儿MRI和机器学习流程预测出生胎龄，包括数据插补、特征选择和回归模型，在333例对照和93例早产数据上评估，R²=0.13，MAE=2.74周，准确率0.77。

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:013

Journal ref Machine.Learning.for.Biomedical.Imaging. 2026 (2026)

Pre- to Post-Contrast Synthesis of Breast DCE-MRI using Latent Bridge Matching

基于潜在桥匹配的乳腺动态对比增强MRI从造影前到造影后合成

Sina Amirrajab, Zohaib Salahuddin, Henry C Woodruff, Philippe Lambin

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

AI总结 该研究提出潜在桥匹配框架，在MAMA-SYNTH挑战中从乳腺DCE-MRI造影前图像合成峰值增强图像，肿瘤条件变体性能优于造影前条件及LDM基线，为虚拟造影增强提供新方案。

MRIComp4Flow: Compression of 3D Brain MRI for Training Multi-Modal Generative Models

MRIComp4Flow：用于训练多模态生成模型的三维脑部MRI压缩

Lisa K. Fischer, Mykhailo Riabets, Daniel Rueckert, Benedikt Wiestler, Anke Meyer-Baese, Sandeep Nagar

机构 * Technical University of Munich (TUM)（慕尼黑工业大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Imperial College London（帝国理工学院） ； Florida State University（佛罗里达州立大学） ； Institute for Advanced Study, TUM (TUM-IAS)（慕尼黑工业大学高等研究院） ； TUM University Hospital（慕尼黑工业大学医院） 纠错

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

AI总结 该研究针对大规模多模态MRI的存储与I/O问题，采用JPEG2000或JPEG-LS压缩三维脑肿瘤MRI，在20:1压缩率下训练Wavelet Flow Matching模型，证实其合成质量与未压缩数据训练的模型相当，为可扩展三维MRI生成建模提供了实用方案。

Comments Accepted: MICCAI 2026 SASHIMI workshop

Coarse-to-Fine Registration of Jawbone CT and Intraoral Scan Data Using GeDi and ICP with Pseudo-IOS Ground Truth

基于GeDi与ICP及伪口腔扫描数据真值的颌骨CT与口腔扫描数据的由粗到精配准

Sho Mitarai, Hikaru Kayo, Hisashi Ozaki, Yuichiro Imai, Megumi Nakao

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

AI总结 本研究提出伪IOS评估框架，结合GeDi与ICP实现颌骨CT与口腔扫描数据的由粗到精配准，实验表明该方法精度优于单独使用GeDi，且受金属伪影影响较小。

Comments 9 pages, 2 figures, 1 table

A continually expandable foundation model for brain MRI

可持续扩展的脑MRI基础模型

Michail Mamalakis, Carmen Jimenez-Mesa, Yonghao Li, Hao Chen, Chao Li, Antonios Mamalakis, John Suckling, Richard Bethlehem, Stephen J. Price, Richard J. Gilbertson, Pietro Lio

机构 * University of Cambridge（剑桥大学） ； University of Málaga（马拉加大学） 纠错

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

AI总结 本文提出可扩展的Alcmaeon脑MRI基础模型，结合体积编码、潜在扩散生成与Graph-Blueprint Pruning，在跨临床领域扩展时遗忘程度更低，可支持多种任务，为持续发展的脑MRI基础模型提供了可行方向。

Unsupervised Adversarial Domain Adaptation for Uterine layer Segmentation: From Labeled Cine to Unlabeled Dynamic EPI MRI

用于子宫层分割的无监督对抗域自适应：从带标签的电影MRI到无标签的动态EPI MRI

Smiti Tripathy, Milauni Desai, Jordina Aviles Verdera, Jana Hutter

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

AI总结 该研究针对子宫层分割问题，提出无监督对抗域自适应框架，迁移电影MRI的分割知识至动态EPI MRI，结合Unet-LSTM与多尺度域判别器，实现了良好的分割效果，为探究子宫收缩性与T2*变化的关联提供了可行方法。

Predictive Enhancement Calibration for Latent Breast MRI Virtual Contrast Enhancement

用于潜在乳腺MRI虚拟对比度增强的预测增强校准

Qin Lei, Hao Wu

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

AI总结 针对潜在乳腺MRI虚拟对比度增强中自然图像自动编码器与MRI强度尺度冲突的问题，提出PEC方法并结合FLUX模型，在MAMA100队列中提升了所有八个点估计，MSE和LPIPS表现最优。

Comments Top-3 submission in the MICCAI 2026 MAMA-Synth Challenge

CT-Merging: Consensus Directions and Task-Level Scaling for LoRA Adapter Merging

CT-Merging：用于LoRA适配器合并的共识方向和任务级缩放

Keumseo Ryum, Joonhyuk Kang

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 研究针对LoRA适配器合并中系数不匹配问题，提出CT-Merging算法，通过平均任务子空间投影仪估计共识方向并分配任务级系数缩放，利用跨任务SVD子空间构建公共基础，在基准测试中比现有方法准确率更高。

Comments 9 pages, 5 figures

MIRAGE: Multi-scale Lesion-Informed Representation with Auxiliary Guidance for MRI Contrast Enhancement

MIRAGE：用于MRI对比度增强的具有辅助引导的多尺度病变信息表示

Andrea Borghesi, Xin Wang, Jonas Teuwen, George Yiasemis

机构 * Netherlands Cancer Institute（荷兰癌症研究所） 纠错

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

AI总结 研究从对比前乳腺MRI切片推断对比度增强的问题，提出MIRAGE方法，结合多种损失与监督形式，在多中心数据上评估，该方法在多个指标排名第一，显著提升病变定位，揭示了保真度与效用的权衡。

Comments 9 pages, 2 figures, 3 tables

Cross-Dataset Generalization in Breast MRI Tumor Classification via Class-Wise Dataset Mixing

通过类级数据集混合实现乳腺MRI肿瘤分类中的跨数据集泛化

Mohammad Ali Dadrast, Hamid Usefi

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

AI总结 研究乳腺MRI肿瘤分类中深度学习模型因域转移和数据集来源偏差而跨机构失败的问题，通过构建类级混合训练集控制偏差，显著提升了WaveViT - Small和EfficientNet - B3在MAMA - MIA上的分类准确率和F1值。

Comments CBMS 2026

RegionFM: Interpretable Region-Based Brain MRI Classification Using Foundation Model Embeddings

RegionFM：使用基础模型嵌入进行可解释的基于区域的脑MRI分类

Wei Zhang

机构 * L3S Research Center（L3S研究中心） 纠错

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

AI总结 研究针对脑MRI基础模型预测难解释问题，提出RegionFM框架，将解剖分割与基础模型嵌入结合，通过划分区域、编码嵌入及构建模型组合，用于认知障碍分类评估，在保持性能同时使解释与临床推理更好对齐。

Monte Carlo Dropout Uncertainty and Entropy-Thresholded Selective Prediction for Architecture-Agnostic Brain Tumor MRI Triage

用于与架构无关的脑肿瘤MRI分类的蒙特卡罗随机失活不确定性和熵阈值选择性预测

Medhansh Sharma

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

AI总结 该研究针对脑肿瘤MRI分类，提出基于蒙特卡罗随机失活读取不确定性并转化为熵阈值规则的流程，通过特定图像分区和多模型多指标评估，结果表明此不确定性流程有效，可校准且能提高分类准确性，提供架构无关的脑肿瘤MRI分类基础。

Comments 18 pages, 8 figures, 5 tables

A novel unsupervised machine learning strategy to handle multimodal cardiac PET/MRI data

一种处理多模态心脏PET/MRI数据的新型无监督机器学习策略

Brunnhilde Ponsi, Thomas Carlier, Lara Marteau, Aurélien Monnet, Thomas Eugène, Jean-Michel Serfaty, Nicolas Piriou, Hatem Necib

机构 * Nantes Université, CHU Nantes（南特大学，南特大学医院中心） ； Siemens Healthineers France（西门子医疗法国公司） 纠错

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

AI总结 研究针对致心律失常性左心室心肌病诊断难题，利用PET/MRI数据，采用两步聚类等方法，对患者图像进行处理分析，生成健康报告，经交叉验证和在更大队列上验证，能准确识别异常，有助于表征心肌异质性。

Comments 11 pages, 6 figures

Contrastive Joint-Embedding Prediction for Representation Learning in Structural MRI

用于结构MRI中表示学习的对比联合嵌入预测

Fabian Mager, Lars Kai Hansen

机构 * Technical University of Denmark（丹麦技术大学） ； Department of Applied Mathematics and Computer Science（应用数学与计算机科学系） 纠错

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

AI总结 针对医学成像中标记数据稀缺问题，提出COJEPA自监督框架，结合联合嵌入预测架构与对比损失，用于体积脑MRI。通过特定技术扩展到3D，在多任务中评估，取得了如最佳同卵双胞胎召回率等成果，证明组合目标能产生优质表示。

Quantum Compressed Sensing CT Reconstruction Algorithm Based on Penalized Weighted Least Squares and Guided Total Variation

基于惩罚加权最小二乘法和引导全变差的量子压缩感知CT重建算法

Yuwen Zhang, Yujie Liu, Ao Wang, Yikuang Yuluo, Shuangyang Zhong, Haijun Yu, Yixing Huang

机构 * Peking University Health Science Center（北京大学医学部） 纠错

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

AI总结 研究针对现有基于QUBO的稀疏视图CT重建的局限，提出结合PWLS和GTV的量子压缩感知CT方法，经二进制编码形成统一QUBO模型，实验表明该方法重建质量最佳，为量子辅助稀疏视图CT重建提供了概念验证。

Comments 14 pages, 11 figures

Heterogeneity-Adaptive Diffusion Schrodinger Bridge for PET-Guided Whole-Body MRI Translation

用于PET引导的全身MRI转换的异质性自适应扩散薛定谔桥

Chengbo Wang, Jiacheng Yu, Linjie Bian, Ming Qi, Xiaosheng Liu, Tongtong Che, Jichang Zhang, Shuyu Li, Shaoli Song, Xiuying Wang

机构 * The University of Sydney（悉尼大学） ； Fudan University Shanghai Cancer Center（复旦大学附属上海肿瘤医院） ； Beijing Normal University（北京师范大学） 纠错

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

AI总结 针对PET-MR扫描时间长的问题，提出异质性自适应扩散薛定谔桥（HA-DSB）框架，通过整合视觉语言模型嵌入及PET先验，利用双阶段引导机制，实现全身MRI转换，提升不同区域尤其是病变区域的转换质量。

Comments Accepted at MICCAI 2026

Pseudo-Text-Conditioned 3D Grounding DINO for Organ Localization in Abdominal CT

伪文本条件3D Grounding DINO用于腹部CT器官定位

Siqi Chen, Han Gong, Keyi Hou, Jingxuan Yang, Sheethal Bhat, Andreas Maier

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学） 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CT-3GDINO，一种轻量级3D检测器，通过冻结伪文本类令牌替代真实文本编码器，实现腹部CT中五个器官的定位，在193个体积上达到0.5830 mAP。

Comments 24 pages, 17 figures

Female-RHINO: A Real-Time Scanner-Integrated Framework for Automated Quantitative Uterine MRI Analysis and Structured Reporting

Female-RHINO：一种用于自动定量子宫MRI分析和结构化报告的实时扫描仪集成框架

Deepak Bhatia, Saad Ahmad, Smiti Tripathy, Maria Camila Bustos Vivas, Lieselotte Kratzsch, Anika Knupfer, Jordina Aviles Verdera, Susanne Schulz-Heise, Matthias May, Jana Hutter

机构 * Radiologisches Institut, Universitätsklinikum Erlangen（埃朗根大学医院放射学研究所） ； School of Biomedical Engineering and Imaging, KCL（KCL生物医学工程与成像学院） ； Institute for Information Processing, Leibniz University Hannover（汉诺威莱布尼茨大学信息处理研究所） ； CAIMed, L3S research institute（CAIMed，L3S研究机构） 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Female-RHINO框架，集成MRI扫描仪和深度学习，实现实时自动定量子宫MRI分析及结构化报告，在500+多中心数据集上验证，处理时间<70秒。

Deep Unrolled Networks in Representation Space Applied to MRI Reconstruction

表示空间中的深度展开网络及其在MRI重建中的应用

Efe Ilıcak, Baris Imre, Chloé Najac, Ruben van den Broek, Beatrice Lena, Andrew Webb, Marius Staring

机构 * Department of Radiology, Leiden University Medical Center, Leiden, Netherlands（莱顿大学医学中心放射科，莱顿，荷兰） 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DUNE框架，在表示空间中通过链式法则和向量-雅可比积实现精确数据一致性，用于加速MRI重建，优于现有方法。

Pixel-Level Residual Diffusion Transformer: Scalable 3D CT Volume Generation

像素级残差扩散Transformer：可扩展的3D CT体生成

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

机构 * School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院） 纠错

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

AI总结 提出像素级残差扩散Transformer（PRDiT），通过两阶段训练（局部MLP盲估计器分离低频结构+全局残差扩散Transformer建模高频残差）实现高保真3D CT体生成，在LIDC-IDRI和RAD-ChestCT数据集上优于现有方法。

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

Structural MRI Synthesis for Alzheimer's Disease via Conditional Diffusion on Anatomical Masks

基于解剖掩膜条件扩散的阿尔茨海默病结构MRI合成

Muge Zhang, Muhammad Ali Khaliq, Jamal Alsakran, Byeong Kil Lee, Jeeho Ryoo

机构 * Fairleigh Dickinson University（Fairleigh Dickinson大学） ； University of Colorado at Colorado Springs（科罗拉多州立大学） 纠错

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

AI总结 针对阿尔茨海默病结构MRI合成中细微解剖变化难以捕捉的问题，本文扩展Med-DDPM条件扩散模型，以解剖分割掩膜为条件生成3D结构MRI，实验表明合成数据训练的模型Dice分数与真实数据相当，混合数据训练则显著提升性能。

Journal ref 2025 IEEE 8th International Conference on Multimedia Information Processing and Retrieval (MIPR)

Masked and Predictive Self-Supervised Foundation Models for 3D Brain MRI

用于3D脑部MRI的掩码和预测自监督基础模型

Esra Ergün, Hersh Chandarana, Dan Sodickson, Gözde Ünal

机构 * Istanbul Technical University（伊斯坦布尔理工大学） ； NYU Langone Health（纽约大学朗格尼医学中心） 纠错

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

AI总结 研究自监督基础模型在MRI疾病检测中的应用，提出频谱域重建损失（MAE）和方差-协方差正则化（JEPA）两种方法，在五个下游任务中验证了目标设计对任务结构匹配的重要性。

Deep Slice Interpolation for Reducing Through-Plane Anisotropy and Noise in Head CT

深度切片插值用于减少头部CT的穿平面各向异性和噪声

Luis Cortés Ferre, Miguel A. Gutiérrez-Naranjo, Marcin Balcerzyk

机构 * Department of Computer Science and Artificial Intelligence, University of Seville（塞维利亚大学计算机科学与人工智能系） ； Bioaraba Health Research Institute（Bioaraba健康研究 institute） ； IKERBASQUE, Basque Foundation of Science（巴斯克科学基金会） 纠错

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

AI总结 提出一种深度学习系统，通过相邻轴向切片对合成中间CT切片，将有效穿平面间距减半，同时实现隐式降噪，在结构指标上优于经典插值和视频帧插值方法。