科学与医疗
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
q3-MuPa: 快速、安静、定量的多参数MRI使用物理引导的扩散模型
机构 * Erasmus University Medical Center（埃拉斯姆斯大学医学中心）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出了一种基于扩散模型的qMRI映射方法，结合物理数据一致性约束，提升映射性能并实现四倍加速的高质qMRI成像。
Journal ref Magnetic Resonance Imaging 131 (2026) 110699
自监督加权图像引导的定量磁共振成像超分辨率
机构 * Department of Radiology and Nuclear Medicine, Erasmus MC（放射学与核医学系，埃因霍温麦斯特大学医学中心） ； GE Healthcare（通用电气医疗） ； Department of Imaging Physics, TU Delft（成像物理系，代尔夫特理工大学）
专题命中 医学影像 ：MRI(title,summary_cn)；分类 cs.CV
AI总结 本研究提出一种自监督框架，利用常规高分辨率加权MRI扫描引导，无需高分辨率qMRI数据即可实现qMRI超分辨率，通过深度学习提升T1/T2图质量并验证其跨序列通用性。
Comments This work has been submitted to Magnetic Resonance Materials in Physics, Biology and Medicine for possible publication
基础模型在多视图多模态心脏MRI分割与直接射血分数估算中的适配
机构 * Maastricht University（马斯特里赫特大学） ； University Hospital Münster（明斯特大学医院） ； Eindhoven University of Technology（埃因霍温理工大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本研究针对CMR-Multi挑战，微调CineMA并组合冻结CMR基础模型，实现多视图CMR分割与直接LVEF估算，验证了基础模型适配多视图CMR分析的有效性。
三维医学基础模型能看穿MRI伪影吗？一项关于表示鲁棒性的对照研究
机构 * Pioneer Centre for AI, University of Copenhagen（哥本哈根大学先锋人工智能中心）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文对照评估五种三维医学基础模型的表示鲁棒性，发现其鲁棒性与模型及伪影类型相关，部分模型对伪影更敏感，仅靠大规模预训练无法保证伪影不变性，需部署前评估鲁棒性。
Comments Accepted at the ECCV 2026 Workshop on Artificial Intelligence for Medical 3D Vision (AI4M3D)
Bi-PT：用于从稀疏心脏MRI数据重建四腔心的双向交叉注意力点变换器
机构 * University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； New York University（纽约大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 针对从稀疏心脏MRI数据重建四腔心的问题，Bi-PT通过双向点交叉注意力学习点特征，结合逐点语义标签改进对应估计，将变形场公式化为神经常微分方程，集成语义标签损失和添加平滑正则化，实验证明其性能准确且稳健。
YOLO-PVC：用于MRI中体积肝肿瘤定位的切片式检测的2D到3D整合方法
机构 * ESME Research Lab（ESME研究实验室） ； Université Paris-Est Créteil（巴黎东部克雷泰伊大学） ； LRE EPITA（EPITA LRE实验室） ； Institute of Space Technology（空间技术研究所） ； Henri Mondor University Hospital（亨利·蒙多大学医院）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 针对切片式2D目标检测器在体积数据中预测碎片化不稳定的问题，提出YOLO-PVC框架，通过几何整合提升肝脏肿瘤定位的3D IoU至0.710，优于多种基线方法。
Comments 14 pages, 2 figures, 4 tables. Accepted at AI4M3D Workshop, ECCV 2026 (Spotlight)
并行磁共振成像的K空间高斯表示
机构 * Nanchang University（南昌大学） ； Chinese Academy of Sciences（中国科学院） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
专题命中 医学影像 ：MRI(title,summary_cn)；分类 cs.CV
AI总结 针对并行MRI现有K空间重建方法未显式建模连续信号的局限，提出KGR方法，通过Gabor-高斯基元参数化连续信号并结合低秩流形约束，在多数据集上较基线实现重建性能提升。
HERMES：用于PET/CT图像上头颈部肿瘤分割、TN分期及无复发生存分析的混合集成模型
机构 * University of Colorado School of Medicine（科罗拉多大学医学院）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 该研究提出名为HERMES的混合集成算法，用于解决HECKTOR 2026的肿瘤分割、TN分期及无复发生存分析任务，在验证排行榜取得加权分0.6454并晋级测试阶段。
Comments 12 pages, 4 figures, 3 tables, conference
用于基于治疗前CT的多模态非小细胞肺癌（NSCLC）生存预测的结构化代理特征
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 该研究针对NSCLC生存分层难题，用模拟衍生的6种结构化代理特征扩充多模态数据，结合TMAE模型，在Lung1队列取得优于现有方法的预测性能，验证了代理特征的互补价值。
Comments 33
Eddeep：用于扩散MRI中快速涡流畸变校正的深度学习框架
机构 * Hawkes Institute（霍克斯研究所） ； University College London（伦敦大学学院） ； Institut Pasteur（巴斯德研究所） ； Université Paris Cité（巴黎西岱大学） ； AINOSTICS ltd.（AINOSTICS有限公司） ； Fudan University（复旦大学） ； Université Libre de Bruxelles (ULB)（布鲁塞尔自由大学） ； University of Liège (ULiège)（列日大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本研究针对dMRI中涡流畸变校正方法计算成本高的问题，提出深度学习框架Eddeep，其通过两阶段网络实现与FSL Eddy相当的校正质量，同时大幅缩短推理时间，为大规模研究和临床部署提供支持。
Comments Associated GitHub repo: https://github.com/CIG-UCL/eddeep
GLI-AL：一个具有统一解剖-病变标签的多模态胶质瘤MRI标签资源
机构 * Key Laboratory of Biomedical Information Engineering of Ministry of Education, School of Life Science and Technology, Xi’an Jiaotong University（教育部生物医学信息工程重点实验室，西安交通大学生命科学与技术学院） ； School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院） ； Research Center for Intelligent Medical Equipment and Devices (IMED), Xi’an Jiaotong University（西安交通大学智能医疗设备与器械研究中心）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 研究针对现有BraTS-GLI数据集不足，引入BraTS-GLI Anatomy-Lesion资源，提供统一解剖-病变标签集及元数据。通过WMH感知监督，提升对共存病变敏感性，保持健康组织分割性能，支持多方面研究，数据和代码可获取。
Comments Minor revision: Figure 1 was repositioned. The scientific content remains unchanged
使用部分标注数据集训练策略的比较评估：FLAIR MRI中白质高信号和卒中病变分割
机构 * University of Edinburgh（爱丁堡大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本研究系统评估了六种利用部分标注数据训练联合分割白质高信号和缺血性卒中病变模型的策略，发现伪标签法最有效，可提升模型性能并支持大规模临床研究。
基于部分信息分解指导的解耦量化半UNet的多模态T1加权和FLAIR MRI生成可解释的tau-PET
机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； Department of Radiology, University of Washington（华盛顿大学放射学系）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出一种可解释的多模态图像合成框架，通过部分信息分解指导的解耦量化半UNet生成tau-PET，结合向量量化编码器和半UNet解码器，实现了在ADNI-3和OASIS-3数据集上的最佳性能。
基于多尺度时间建模与可微分轮廓渲染的个性化4D全心网格重建
机构 * Department of Biomedical Engineering, National University of Singapore（新加坡国立大学生物医学工程系） ； School of Automation, Southeast University（东南大学自动化学院） ； Department of Medicine, National University of Singapore（新加坡国立大学医学系） ； Department of Cardiology, National University Heart Centre Singapore（新加坡国立大学心脏中心心脏病学系）
专题命中 医学影像 ：MRI(title,summary_cn)；分类 cs.CV
AI总结 提出端到端框架，从稀疏电影MRI重建4D全心网格，利用可微分轮廓渲染和多尺度时间建模，实现低误差（1.68 mm）和高运动平滑度。
Comments 15 pages
（MRI）基础模型预测胶质瘤IDH突变状态的基准测试
专题命中 医学影像 ：MRI(title,title_cn)；分类 eess.IV
AI总结 本研究比较了四种图像基础模型和基于影像组学的基线方法在预测胶质瘤IDH突变状态上的性能，发现影像组学基础模型TabPFN表现最佳，而图像基础模型在跨队列迁移中性能下降，但BiomedCLIP在外部队列中AUROC最高。
AnF-DiffPET: 用于PET/CT去噪的解剖与频率引导扩散
机构 * College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学与生物信息工程学院） ； Tohoku University School of Medicine（东北大学医学院） ； Department of Clinical Neurosciences, University of Cambridge（剑桥大学临床神经科学系）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 提出AnF-DiffPET框架，通过解剖-频率引导、多尺度交叉变换重建和频率对比硬挖掘，解决低剂量PET去噪中的解剖引导不足、多尺度特征传播不稳定和频域恢复不确定性问题，在多个数据集上优于现有方法。
Comments 11 pages, 8 figures, 3 tables
ENSAM：一种高效的交互式3D医学图像分割基础模型
机构 * Akershus University Hospital（阿克什胡斯大学医院）
专题命中 医学影像 ：medical image(title,abstract)；MRI(abstract)；CT(abstract)；biomedical(abstract)
AI总结 ENSAM结合SegResNet编码器、提示编码器和掩码解码器，通过潜在交叉注意力、相对位置编码等技术，在有限数据和算力下实现高效3D医学图像分割，优于现有基线模型。
基于高斯混合积的扩散模型用于联合非线性MRI重建
机构 * Graz University of Technology（格拉茨技术大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Biomedical Imaging Group and Center for Biomedical Imaging（生物医学成像组和生物医学成像中心）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 本文提出结合参数高效高斯混合积扩散模型与经典平滑先验的联合重建方法，提升MRI重建的效率和鲁棒性，同时改善去噪和图像重建效果。
一种用于电影心脏MRI时空建模的潜在ODE方法
机构 * Swiss Data Science Center, EPFL and ETH Zürich（瑞士数据科学中心，EPFL 和 ETH 苏黎世） ； Diagnostic and Interventional Radiology, University Hospital Zürich（诊断与介入放射学，苏黎世大学医院） ； Institute for Biomedical Engineering, University and ETH Zürich（生物医学工程研究所，苏黎世大学和 ETH 苏黎世） ； Biomedical Informatics Group, ETH Zürich（生物医学信息学小组，ETH 苏黎世） ； Division of Preventive Medicine, Brigham and Women’s Hospital / Harvard Medical School（预防医学部，布莱根妇女医院/哈佛医学院）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 提出一种基于神经ODE的潜在动力学模型，从心脏MRI中编码双心室结构和全周期运动，通过图网格自编码器重建3D+t运动，并利用Cox模型评估偏离预期状态对心衰的预测能力，在UK Biobank数据上优于传统指标。
时空模态专家混合扩散：从不完整MR序列合成定量DCE-MRI
机构 * Interdisciplinary Program in Cancer Biology, Seoul National University College of Medicine（首尔大学医学院癌症生物学跨学科项目） ； Department of Radiology, Seoul National University Hospital（首尔大学医院放射科） ； Department of Radiology, Seoul National University College of Medicine（首尔大学医学院放射科） ； Healthcare AI Research Institute, Seoul National University Hospital（首尔大学医院医疗人工智能研究所）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 提出时空模态专家混合（ST-MoME）条件扩散框架，通过时空门控网络融合多模态专家特征，从任意子集合成3D DCE参数图，在386例脑肿瘤数据上16种缺失场景下取得最优NMSE。
多级随机即插即用方法用于稀疏视图CT重建
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 提出多级随机即插即用方法，通过多分辨率分析近似空间加速稀疏视图CT重建，避免昂贵先验梯度估计，在保持重建质量的同时显著减少运行时间。
Comments 12 pages, 6 figures, 3 tables
桥接单一失真伪影与多因素临床质量：基于失真训练的原型网络的少样本双参数MRI质量评估
机构 * UCL Hawkes Institute（UCL Hawkes研究所） ； Department of Medical Physics and Biomedical Engineering（医学物理与生物医学工程系） ； University College London（伦敦大学学院） ； Division of Surgery and Interventional Science（外科与介入科学分会） ； Centre for Medical Imaging（医学成像中心） ； British Urology Researchers in Surgical Training (BURST)（英国泌尿外科手术培训研究人员（BURST）） ； Department of Radiology（放射科） ； University College London Hospitals NHS Foundation Trust（伦敦大学学院医院国家健康服务信托基金） ； Centre of Medical Imaging, Division of Medicine（医学成像中心，医学分会） ； Centre for Medical Image Computing（医学图像计算中心） ； Department of Computer Science（计算机科学系） ； Department of Urology（泌尿科）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 提出一种少样本双参数原型网络，利用失真标签元训练，通过特征融合和域对齐，仅用5个样本即可预测PI-QUAL临床质量评分，解决临床数据稀缺问题。
MAMA-MIA挑战：推进乳腺MRI肿瘤分割与治疗反应预测的泛化性和公平性
机构 * Barcelona Artificial Intelligence in Medicine Lab (BCN-AIM), Facultat de Matemàtiques i Informàtica, Universitat de Barcelona（巴塞罗那人工智能在医学实验室（BCN-AIM），巴塞罗那大学数学与计算机学院）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 提出MAMA-MIA挑战，通过标准化基准评估乳腺MRI肿瘤分割和病理完全缓解预测，在跨洲多中心数据上分析模型泛化性与公平性，发现性能与亚组公平性之间存在权衡。
高保真盆腔器官MRI三维几何重建：一种混合深度学习与迭代优化方法
机构 * Institute of Medical Technology, Peking University Health Science Center, Peking University（北京大学医学部医学技术研究院，北京大学） ； Biomedical Engineering Department, Institute of Advanced Clinical Medicine, Peking University（北京大学先进临床医学研究院生物医学工程系） ； Department of Obstetrics and Gynecology, Peking University People’s Hospital（北京大学人民医院妇产科部）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 提出混合可变形形状建模框架，结合深度学习预测与迭代优化，实现膀胱、子宫和直肠的高保真三维几何重建，在几何保真度和网格质量上优于现有方法。
我们真的需要扩散吗？用于配对医学图像翻译的快速U-Net
机构 * Institute of Artificial Intelligence, Ulm University（乌尔姆大学人工智能研究所） ； Institute of Orthopaedic Research and Biomechanics, Centre for Trauma Research, University Hospital Ulm（乌尔姆大学医院创伤研究中心骨科研究与生物力学研究所） ； AI for Sensor Data Analytics Research Group, Ulm University of Applied Sciences（乌尔姆应用科学大学传感器数据分析人工智能研究组）
专题命中 医学影像 ：MRI(summary_cn,abstract)；medical image(title)；分类 cs.CV
AI总结 本文比较轻量级4级U-Net与去噪扩散概率模型（DDPM）在从T2加权MRI估计脂肪分数任务上的性能，发现U-Net在精度和速度上均优于DDPM。
基于小波UNET的变分网络在欠采样k空间数据加速MRI重建中的应用
机构 * Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV
AI总结 提出一种结合小波U-Net的变分网络，通过可学习多尺度频率表示和物理引导迭代重建，在单线圈和多线圈设置下有效抑制伪影、保留高频细节，在fastMRI和M4Raw数据集上达到最优性能。
Comments 14 pages, 9 figures
灰质弥散MRI中交换与限制的贝叶斯洞察
专题命中 医学影像 ：MRI(title,title_cn)；分类 eess.IV
AI总结 本研究利用贝叶斯推断框架μGUIDE评估NEXI和SANDIX两种灰质模型的参数估计准确性、精度和简并性，发现交换时间和胞体半径等参数在高噪声下存在高不确定性和偏差，强调不确定性量化对提高模型可重复性的重要性。
ClinReadNet: 一种受临床阅读启发的低剂量腹部CT图像质量评估网络
机构 * School of Mathematics and Computer Sciences, Nanchang University（南昌大学数学与计算机科学学院） ； School of Information Engineering, Nanchang University（南昌大学信息工程学院） ； Department of Radiology, Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University（中山纪念医院放射科，中山大学） ； Department of Stomatology, Zhujiang Hospital, Southern Medical University（南方医科大学珠江医院口腔科） ； Department of Biological Sciences, School of Science, Xi'an Jiaotong Liverpool University（西安交通大学利物浦大学科学学院生物科学系） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 提出ClinReadNet框架，通过模拟放射科医生阅读习惯，结合Sobel序数质量网络和窗口多尺度温度多头自注意力模块，并设计分层排序概率分数损失函数，在LDCTIQAG2023数据集上实现SOTA性能。
供应商无关的四维相位对比磁共振成像：用于速度、位移和应变分析的完整开源流程
专题命中 医学影像 ：MRI(title,summary_cn)；分类 eess.IV
AI总结 提出一个完全开源的4D flow PC-MRI流程，集成压缩感知加速、BART重建和应变分析，通过梯度探测序列确保速度符号正确，并在两种MRI系统和两个解剖部位验证，显著缩短采集时间。
何时3D值得？肺CT中CNN和Transformer的资源-性能前沿
机构 * Department of Biomedical Informatics University of Arkansas for Medical Sciences（生物医学信息学系，美国阿肯色大学医学科学分校） ； Department of Information Science University of Arkansas at Little Rock（信息科学系，美国阿肯色大学小岩分校） ； Department of Neuroscience University of Arkansas for Medical Sciences（神经科学系，美国阿肯色大学医学科学分校）
专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV
AI总结 研究在肺CT中2D、2.5D和3D输入对CNN和Transformer的影响，发现2.5D CNN在判别-稳定性权衡上最优，而3D CNN和Transformer存在不稳定性或退化预测。
Comments 8 pages, 6 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈