医学 AI

A Benchmark of (MRI-) Foundation Models to Predict IDH Mutational Status in Glioma

（MRI）基础模型预测胶质瘤IDH突变状态的基准测试

Nathan Hollet, Elise Robinson, Efthymios Georgiou, Ekin Ermis, Uri Nahum, Sarah Brüningk

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: Anatomy- and Frequency-Guided Diffusion for PET/CT Denoising

AnF-DiffPET: 用于PET/CT去噪的解剖与频率引导扩散

Xuepeng Liu, Ruili Li, Zetong Liu, Renyiming Li, Yan Li, Yin Dai, Chao Li, Yueyang Teng

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） 纠错

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: an efficient foundation model for interactive segmentation of 3D medical images

ENSAM：一种高效的交互式3D医学图像分割基础模型

Elias Stenhede, Agnar Martin Bjørnstad, Arian Ranjbar

机构 * Akershus University Hospital（阿克什胡斯大学医院） 纠错

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。

Product-of-Gaussian-Mixture Diffusion Models for Joint Nonlinear MRI Reconstruction

基于高斯混合积的扩散模型用于联合非线性MRI重建

Laurenz Nagler, Martin Zach, Thomas Pock

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） 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。

A Latent ODE Approach to Spatiotemporal Modeling of Cine Cardiac MRI

一种用于电影心脏MRI时空建模的潜在ODE方法

David Brüggemann, Ekaterina Krymova, Firat Özdemir, Jochen von Spiczak, Sebastian Kozerke, Samia Mora, Robert Manka, Mathieu Salzmann, Olga V. Demler

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） 纠错

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。

Spatio-Temporal Mixture-of-Modality-Experts Diffusion for Quantitative DCE-MRI Synthesis from Incomplete MR Sequences

时空模态专家混合扩散：从不完整MR序列合成定量DCE-MRI

Junhyeok Lee, Kyu Sung Choi

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） 纠错

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。

Multilevel Stochastic Plug-and-Play for Sparse-View CT Reconstruction

多级随机即插即用方法用于稀疏视图CT重建

Antoine De Paepe, Alexandre Bousse, Dimitris Visvikis

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

Bridging Single Distortion Artifacts and Multifactorial Clinical Quality: Few-shot Biparametric MRI Quality Assessment via Distortion-trained Prototypical Networks

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

Yucheng Tang, Alexander Ng, Wen Yan, Natasha Thorley, Pawel Rajwa, Yipei Wang, Aqua Asif, Clare Allen, Louise Dickinson, Francesco Giganti, Shonit Punwani, Daniel Alexander, Veeru Kasivisvanathan, Yipeng Hu

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） 纠错

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。

The MAMA-MIA Challenge: Advancing Generalizability and Fairness in Breast MRI Tumor Segmentation and Treatment Response Prediction

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

Lidia Garrucho, Smriti Joshi, Kaisar Kushibar, Richard Osuala, Maciej Bobowicz, Xavier Bargalló, Paulius Jaruševičius, Kai Geissler, Raphael Schäfer, Muhammad Alberb, Tony Xu, Anne Martel, Daniel Sleiman, Navchetan Awasthi, Hadeel Awwad, Joan C. Vilanova, Robert Martí, Daan Schouten, Jeong Hoon Lee, Mirabela Rusu, Eleonora Poeta, Luisa Vargas, Eliana Pastor, Maria A. Zuluaga, Jessica Kächele, Dimitrios Bounias, Alexandra Ertl, Katarzyna Gwoździewicz, Maria-Laura Cosaka, Pasant M. Abo-Elhoda, Sara W. Tantawy, Shorouq S. Sakrana, Norhan O. Shawky-Abdelfatah, Amr Muhammad Abdo-Salem, Androniki Kozana, Eugen Divjak, Gordana Ivanac, Katerina Nikiforaki, Michail E. Klontzas, Rosa García-Dosdá, Meltem Gulsun-Akpinar, Oğuz Lafcı, Carlos Martín-Isla, Oliver Díaz, Laura Igual, Karim Lekadir

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） 纠错

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。

High-Fidelity 3D Geometric Reconstruction of Pelvic Organs from MRI: A Hybrid Deep Learning and Iterative Optimization Approach

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

Hui Wang, Xiaowei Li, Chenxin Zhang, Yifan Feng, Jianwei Zuo, Yumeng Tang, Xiuli Sun, Jianliu Wang, Bing Xie, Jiajia Luo

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） 纠错

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。

Do We Really Need Diffusion? A Fast U-Net for Paired Medical Image Translation

我们真的需要扩散吗？用于配对医学图像翻译的快速U-Net

Alicia Pirwass, Birte Glimm, Michael Munz, Hans-Joachim Wilke

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） 纠错

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。

Variational Network with Wavelet-based UNET in Accelerated MRI Reconstruction from Under Sampled K-space Data

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

Yasir Arafat Prodhan, Shaikh Anowarul Fattah

机构 * Bangladesh University of Engineering and Technology（孟加拉国工程技术大学） 纠错

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

Bayesian Insights into Exchange and Restriction in Gray Matter Diffusion MRI

灰质弥散MRI中交换与限制的贝叶斯洞察

Maëliss Jallais, Quentin Uhl, Tommaso Pavan, Malwina Molendowska, Derek K. Jones, Ileana Jelescu, Marco Palombo

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: A clinical reading-inspired network for low-dose abdominal CT image quality assessment

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

Xianye Xiao, Yulong Zou, Yujie Luo, Taihui Yu, Cun-Jing Zheng, Yuan-ming Geng, Shuihua Wang, Yudong Zhang, Jin Hong

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） 纠错

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。

Vendor-agnostic 4D Phase Contrast MRI: a complete open-source pipeline for velocities, displacement, and strain analysis

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

Marta B. Maggioni, Sabine M. Räuber, Katarina Puš, Bostjan Šimunič, Xeni Deligianni, Regina M. M. Schlaeger, Francesco Santini

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。

When is 3D Worth It? A Resource-Performance Frontier for CNNs and Transformers in Lung CT

何时3D值得？肺CT中CNN和Transformer的资源-性能前沿

Md Enamul Hoq, Sharafat Hossain, Imraul Emmaka, Linda Larson-Prior, Lawrence Tarbox, Jonathan Bona, Donald Johann Jr. and Fred Prior

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） 纠错

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

MoRE: A Mixture-of-Experts-Based Task-Adaptive End-to-End Network for Multimodal MRI Reconstruction

MoRE：一种基于混合专家模型的任务自适应端到端网络用于多模态MRI重建

Yuyang Li, Yipin Deng, Wenlei Shang, Juncen Wu, Xin Bai, Zijian Zhou, Peng Hu

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

AI总结 提出MoRE，将稀疏激活的混合专家模块集成到端到端变分网络中，通过样本级无监督路由激活最小专家子集并保持物理一致性，在fastMRI多线圈脑部和膝关节数据集上实现高稳定SSIM和PSNR，且路由嵌入的t-SNE可视化揭示可解释的模态感知专家专业化。

Comments Accepted at the 2026 48th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2026), Toronto, Canada, July 26-30, 2026

Volumetric B1+ field homogenization in 7 Tesla brain MRI using metasurface scattering

利用超表面散射实现7特斯拉脑磁共振成像中的体积B1+场均匀化

Gyoungsub Yoon, Sunkyu Yu, Jongho Lee, Namkyoo Park

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

AI总结 提出基于散射理论的超表面设计方法，通过系统寻找散射ansatz并采用剪枝技术最小化参与模式，在7特斯拉MRI中实现体积场均匀性，将场均匀性提升两倍以上并抑制局部加热，性能优于商用3特斯拉MRI。

Comments 47 pages, 17 figures

Journal ref ACS Photonics 13, 1693 (2026)

DefSynUS: Real-time Patient-specific Intrahepatic Vessel Identification via Deformation-Aware CT-US Domain Adaptation

DefSynUS：通过形变感知CT-超声域自适应的实时患者特异性肝内血管识别

Karl-Philippe Beaudet, Yordanka Velikova, Sidaty El Hadramy, Nassir Navab, Philippe Cattin, Juan Verde, Stéphane Cotin

机构 * Inria（法国国家信息与自动化研究所） ； University of Strasbourg（斯特拉斯堡大学） ； Technical University of Munich（慕尼黑技术大学） ； University of Basel（巴塞尔大学） ； Institute of Image-Guided Surgery（图像引导手术研究所） 纠错

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

AI总结 提出一种基于物理渲染和形变感知数据增强的域自适应框架，无需术前超声即可实现术中实时、患者特异性的肝内血管分支识别。

A multifractal-based masked auto-encoder: an application to medical images

基于多重分形的掩码自编码器：在医学图像中的应用

Joao Batista Florindo, Viviane de Moura

机构 * Institute of Mathematics, Statistics and Scientific Computing - University of Campinas（数学、统计与科学计算研究所 - 卡波斯大学） 纠错

专题命中 医学影像 ：medical image(title,abstract)；CT(abstract,abstract_cn)；diagnosis(abstract)；分类 cs.CV

AI总结 提出一种利用多重分形测度（Renyi熵）优化掩码策略的掩码自编码器（MO-MAE），通过聚焦高复杂度区域提升医学图像分类性能。

Journal ref Proceedings VISAPP 2025, 769-776 (2025)

Soft Tuy-Completeness for Robust Projection Selection in Cone-Beam CT

锥束CT中鲁棒投影选择的软Tuy完备性

Linda-Sophie Schneider, Andreas Maier

机构 * Pattern Recognition Lab, Friedrich-Alexander-Universität Erlangen-Nürnberg（模式识别实验室，弗赖堡-亚历山大-大学埃尔兰根-纽伦堡） 纠错

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

AI总结 基于Tuy完备性理论，提出连续软近正交评分和分辨率感知饱和覆盖目标，通过次模贪心算法和混合整数线性规划实现投影选择，并引入有效空间分辨率作为轨迹级诊断指标。

Comments Preprint

Quantitative coronary calcification analysis for prediction of myocardial ischemia using non-contrast CT calcium scoring

基于非增强CT钙化评分的冠状动脉钙化定量分析用于预测心肌缺血

Juhwan Lee, Sadeer Al-Kindi, Ammar Hoori, Tao Hu, Hao Wu, Justin N. Kim, Robert Gilkeson, Sanjay Rajagopalan, David L. Wilson

机构 * Virginia Commonwealth University（弗吉尼亚共同市场大学） ； Case Western Reserve University（凯斯西储大学） ； Houston Methodist Hospital（休斯顿 Methodist 医院） ； University Hospitals Cleveland Medical Center（克利夫兰医学中心） ； Department of Radiology, Case Western Reserve University（凯斯西储大学放射科） 纠错

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

AI总结 本文提出了一种新的机器学习框架，利用非增强CT钙化评分扫描中的定量冠状动脉钙化评估来预测心肌缺血，通过XGBoost和SHAP识别相关特征，并在5折交叉验证中训练和评估模型，结果显示钙化组学特征显著提高了预测性能。

Comments 15 pages, 4 figures, 3 tables

SpineContextResUNet: A Computationally Efficient Residual UNet for Spine CT Segmentation

SpineContextResUNet: 一种计算高效的残差U-Net用于脊柱CT分割

K S Nithurshen, Saurabh J. Shigwan

机构 * Shiv Nadar University（施瓦德纳大学） 纠错

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

AI总结 本文提出SpineContextResUNet，一种高效的3D残差U-Net，用于快速脊柱定位，通过轻量级的上下文块在不牺牲性能的情况下减少了计算资源需求，适用于资源受限环境。

Comments 2 Figures, 3 Tables

Fine-tuning an ECG Foundation Model to Predict Coronary CT Angiography Outcomes

微调一种心电图基础模型以预测冠状动脉CT血管造影结果

Yujie Xiao, Qinghao Zhao, Gongzheng Tang, Hao Zhang, Zhuoran Kan, Deyun Zhang, Jun Li, Guangkun Nie, Xiaocheng Fang, Haoyu Wang, Shun Huang, Tong Liu, Jian Liu, Kangyin Chen, Shenda Hong

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） ； National Institute of Health Data Science, Peking University（北京大学国家健康数据科学研究院） ； Department of Cardiology, Peking University People’s Hospital（北京大学人民医院心内科） ； Tianjin Key Laboratory of Ionic-Molecular Function of Cardiovascular Disease, Department of Cardiology, Tianjin Institute of Cardiology, The Second Hospital of Tianjin Medical University（天津医科大学心血管离子-分子功能重点实验室，天津心脏病学研究院，天津医科大学第二医院心内科） ； Heart Voice Medical Technology（心声医疗科技） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） 纠错

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

AI总结 本文研究了通过微调心电图基础模型来预测冠状动脉CT血管造影结果的研究问题，采用多中心研究方法，利用CTCA作为解剖参考标准，开发并验证了AI-ECG模型，以预测血管特异性冠状动脉狭窄，并展示了模型在内部和外部验证中的表现，以及其在临床中的应用价值。

Automatic Landmark-Based Segmentation of Human Subcortical Structures in MRI

基于自动标注的脑部皮层下结构MRI分割

Ahmed Rekik, R. Jarrett Rushmore, Sylvain Bouix, Linda Marrakchi-Kacem

机构 * École de technologie supérieure (ÉTS)（埃克塞尔技术高等学院） ； Boston University School of Medicine（波士顿大学医学学院） ； Signal and Smart Systems Lab (L3S)（信号与智能系统实验室） ； National School of Engineering of Tunis, University of Tunis El Manar（突尼斯国家工程学院，突尼斯El Manar大学） 纠错

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

AI总结 本文提出一种基于地标引导的3D脑分割方法，通过全局到局部网络检测16个关键皮层下参考点，并结合语义分割模型和后处理步骤，提升皮层下结构分割的准确性。

Comments 7 pages, 5 figures. Accepted for presentation at the 48th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2026)

A Comparative Analysis of CT Degradation for LDCT Nodule Classification using Radiomics

基于放射组学的LDCT结节分类中CT退化比较分析

Jiaying Liu, Anna Corti, Valentina D. A. Corino, Luca Mainardi

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

AI总结 本文通过生成合成LDCT图像增强数据集，比较三种退化方法在结节分类中的性能，验证了使用CycleGAN生成的图像在分类任务中表现更优。

A Target-Free Harmonization Method for MRI

无目标谐调方法用于磁共振成像

Minjun Kim, Dong Ju Mun, Hwihun Jeong, Hangyeol Park, Haechang Lee, Se Young Chun, Jongho Lee

机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔国立大学电气与计算机工程系） ； Department of Psychiatry, Brigham and Women's Hospital, Harvard Medical School（精神病学系，布里金医院，哈佛医学院） 纠错

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

AI总结 本文提出TgtFreeHarmony方法，通过生成对抗网络解纠缠生成MRI领域风格的流形，实现无目标域数据的图像谐调，提升下游任务性能，保障数据隐私。

Comments 37 pages, 10 figures

3D Conditional Image Synthesis of Left Atrial LGE MRI from Composite Semantic Masks

基于复合语义掩码的左心房LGE MRI的3D条件图像合成

Yusri Al-Sanaani, Rebecca Thornhill, Sreeraman Rajan

机构 * Systems and Computer Engineering, Carleton University（卡尔顿大学系统与计算机工程系） ； Department of Radiology, University of Ottawa（渥太华大学放射科部） 纠错

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

AI总结 本文提出利用3D条件生成模型增强稀少LGE训练数据，提升左心房分割性能，SPADE-LDM生成最逼真图像，使Dice分数显著提升。

Comments This work has been published in the Proceedings of the 2025 IEEE International Conference on Imaging Systems and Techniques (IST). The final published version is available via IEEE Xplore

Journal ref 2025 IEEE International Conference on Imaging Systems and Techniques (IST)

Hybrid Swin Attention Networks for Simultaneously Low-Dose PET and CT Denoising

混合Swin注意力网络用于同时低剂量PET和CT去噪

Yichao Liu, Hengzhi Xue, YueYang Teng, Junwen Guo

机构 * organization= IWR, Heidelberg University , city= Heidelberg , postcode= 69120 , state= Baden Württemberg , country= Germany ； organization= College of Medicine ； Biological Information Engineering, Northeastern University , city= Shenyang , postcode= 110169 , state= Liaoning , country= China ； organization= Key Laboratory of Intelligent Computing in Medical Image, Ministry of Education , city= Shenyang , postcode= 110169 , state= Liaoning , country= China ； organization= Department of Epidemiology \& Global Health, Umeå University , addressline= , city= Umeå , postcode= 90187 , country= Sweden 纠错

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

AI总结 本文提出混合Swin注意力网络HSANet，结合高效全局注意力模块和混合上采样模块，提升低剂量PET和CT去噪性能，同时保持模型轻量。

Learning to Diagnose Privately: DP-Powered LLMs for Radiology Report Classification

在隐私保护下学习：用于放射报告分类的DP驱动LLM

Payel Bhattacharjee, Fengwei Tian, Geoffrey D. Rubin, Joseph Y. Lo, Nirav Merchant, Heidi Hanson, John Gounley, Ravi Tandon

机构 * National Institute of Standards and Technology（美国国家标准与技术研究院） ； Colorado State University（科罗拉多州立大学） ； University of Arizona（亚利桑那大学） ； Duke University（杜克大学） 纠错

专题命中 医学影像 ：radiology(title,abstract)；CT(abstract)；diagnosis(abstract)；biomedical(abstract)

AI总结 本文提出一种结合差分隐私与LoRA的隐私保护LLM微调框架，用于多异常放射报告分类，通过生成标签训练小型模型，在强隐私保障下实现高效推理。

Comments Accepted in IEEE ACCESS, 2026