医学 AI

Multi-planar 2D-U-Net Segmentation of 3D-CT Abdominal Organs augmented by Spatial Occurrence Maps

多平面2D-U-Net分割3D-CT腹部器官，辅以空间出现图

Daria Kern, Negar Chabi, Souraj Adhikary, Andre Mastmeyer

机构 * Glasgow Caledonian University School of Science & Engineering（格拉斯哥卡里多尼亚大学科学与工程学院） ； Jade University of Applied Sciences Department of Engineering & Medical Technology（雅德应用科学大学工程与医疗技术系） 纠错

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

AI总结 提出轻量级2D-U-Net框架，结合粗到细分割、多平面预测和模糊3D空间图，在80个CT扫描中使Dice系数提升约4%。

Comments 11 pages, 9 figures, 1 table, http://www.wscg.eu/

What neurosurgeons need to see: synthetic intra-operative MRI from ultrasound for brain-shift compensation in brain tumour surgery

神经外科医生需要看到的：用于脑肿瘤手术中脑移位补偿的超声合成术中MRI

Santiago Cepeda, Olga Esteban-Sinovas, Ignacio Arrese, Rosario Sarabia

机构 * Department of Neurosurgery, Neurovascular Unit, Río Hortega University Hospital, Valladolid, Spain（西班牙巴利亚多利德里奥·奥尔特加大学医院神经外科神经血管科） ； Specialized Group in Biomedical Imaging and Computational Analysis (GEIBAC), Instituto de Investigación Biosanitaria de Valladolid (IBioVALL), Valladolid, Spain（西班牙巴利亚多利德生物医学研究与计算分析专业组(GEIBAC)，巴利亚多利德生物健康研究所(IBioVALL)） 纠错

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

AI总结 提出一种端到端流水线，通过融合术前MRI、术中超声生成的合成MRI及锚定该合成图像的可变形配准，生成术前成像空间中的全脑MRI体积，以补偿脑移位，为神经导航提供类似MRI的术中视野更新。

Dual-Domain Equivariant Generative Adversarial Network for Multimodal CT-PET Synthesis

双域等变生成对抗网络用于多模态CT-PET合成

Gabriel Steele, Alzahra Altalib, Alessandro Perelli

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

AI总结 提出双域等变生成对抗网络（DDE-GAN），联合空间与频域学习并融入旋转等变性，实现高保真多模态CT-PET图像合成。

Comments 4 pages, 3 figures, 1 table, 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI)

SpineReport: Automated 3D Quantification and Reporting of Lumbar Spine Degeneration on MRI

SpineReport: MRI上腰椎退变的自动化3D量化与报告

Nathan Molinier, Adrian A. Marth, Reto Sutter, Christoph Germann, Jacob A. Connolly, Mathieu Guay-Paquet, Nathan D. Schilaty, Kenneth A. Weber, Julien Cohen-Adad

机构 * NeuroPoly, Institute of Biomedical Engineering, Polytechnique Montreal（NeuroPoly，生物医学工程研究所，蒙特利尔大学） ； Mila, Quebec AI Institute, Montreal（Mila，魁北克人工智能研究所，蒙特利尔） ； Department of Radiology, Balgrist University Hospital, Zurich（放射科，巴尔格里斯大学医院，苏黎世） ； Faculty of Medicine, University of Zurich（医学学院，苏黎世大学） ； Department of Neurosurgery, Brain & Spine, University of South Florida（神经外科，脑与脊柱，佛罗里达大学） ； Center for Neuromusculoskeletal Research, University of South Florida（神经肌肉研究中心，佛罗里达大学） ； Department of Medical Engineering, University of South Florida（医学工程系，佛罗里达大学） ； Stanford School of Medicine, Stanford（斯坦福医学院，斯坦福） ； Functional Neuroimaging Unit, CRIUGM, Université de Montréal（功能神经影像单元，CRIUGM，蒙特利尔大学） ； Centre de recherche du CHU Sainte-Justine, Université de Montréal（圣若泽中心研究，蒙特利尔大学） 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SpineReport开源框架，利用鲁棒解剖分割从腰椎MRI中提取3D形态和信号特征，生成个体化报告，在中央管狭窄评估中AUC达0.95。

Comments Submitted to Medical Image Analysis

How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning?

基础模型在纵向MRI疾病进展推理中的表现如何？

Wafa Al Ghallabi, Ritesh Thawkar, Sara Ghaboura, Omkar Thawakar, Numan Saeed, Dana Al Nuaimi, Ajnas Alkatheeri, Salman Khan, Fahad Shahbaz Khan

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Department of Health Abu Dhabi（阿布扎比卫生部） ； Fatima College of Health Sciences（法蒂玛健康科学学院） ； Linköping University（林雪平大学） 纠错

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

AI总结 该研究推出Time-Aware Multi-View MRI基准，评估16个视觉-语言模型在纵向MRI疾病进展推理中的表现，发现模型在变化方向识别等方面存在缺陷，多视角输入对模型性能有特定影响。

Comments Accepted at MICCAI 2026 (Early Accept). 11 pages, 3 figures, 2 tables

Surface-to-Skeleton 3D Cephalometry: Estimating Hidden Skeletal Landmarks from CT-Derived External Soft-Tissue Surfaces

表面到骨骼的3D头影测量：从CT衍生的外部软组织表面估计隐藏的骨骼标志点

Tomoki Abe, Taiki Kanaya, Kazuki Saita, Mao Noda, Chie Tachiki, Yasushi Nishii, Hideo Saito

机构 * Keio University（庆应义塾大学） ； Tokyo Dental College（东京齿科大学） 纠错

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

AI总结 该研究构建表面到骨骼任务，用集成层次化点云模型从CT衍生外部软组织表面估计隐藏骨骼标志点，在40个留存患者中取得2.97mm的骨骼标志点平均径向误差，证实了隐藏骨骼标志点推断的可行性。

Comments Accepted to AI4M3D Workshop at ECCV 2026

Evaluating and Calibrating Diffusion Model-derived Uncertainty for Quantitative MRI Mapping

评估与校准扩散模型衍生的定量MRI成像不确定性

Shishuai Wang, Stefan Klein, Juan A. Hernandez-Tamames, Dirk H. J. Poot

机构 * Erasmus MC（伊拉斯姆斯医学中心） ； TU Delft（代尔夫特理工大学） 纠错

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

AI总结 该研究针对深度学习定量MRI成像方法可靠性未明确表征的问题，评估了扩散模型衍生的不确定性，发现其与成像误差正相关，经校准后可用于可靠性评估与选择性预测。

Comments 11 pages, 6 figures. Accepted at the MICCAI 2026 Workshop on Uncertainty for Safe Utilization of Machine Learning in Medical Imaging (UNSURE 2026)

CT-$Δ$Bench: A Benchmark for Longitudinal 3D Medical Imaging Difference Reporting with Vision-Language Models

CT-ΔBench：基于视觉语言模型的纵向3D医学影像差异报告基准

Kegeng Tang, Jingbo Wang, Shaogang Ren, Zihao Wang

机构 * University of Tennessee at Chattanooga（田纳西大学查塔努加分校） 纠错

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

AI总结 本文针对现有医学基础模型缺乏纵向影像差异处理能力的问题，构建了专用基准CT-ΔBench，开发感知变化指标与医师验证流程，对比不同推理方式并提出基线模型DeltaMed，为时间感知医学基础模型奠定基础。

Comments Accepted by COLM 2026

Foundation Model-Enabled Efficient Data Sampling (FEEDS): A label-efficient training strategy for pan-cancer, multi-tracer PET/CT datasets

基于基础模型的高效数据采样（FEEDS）：用于泛癌、多示踪剂PET/CT数据集的标签高效训练策略

Biratal Raj Wagle, Bashirul Azam Biswas, Grant Chau, Matthew E. Maeder, Muhammad Azeem Arshad, Michael S. Leapman, James B. Yu, Indrani Bhattacharya

机构 * Geisel School of Medicine at Dartmouth（达特茅斯盖泽尔医学院） ； Dartmouth Hitchcock Medical Center（达特茅斯-希区柯克医疗中心） ； Yale University（耶鲁大学） 纠错

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

AI总结 该研究提出FEEDS策略，利用视觉基础模型嵌入选择信息性和多样性未标注病例，在减少70%标注负担时达到全标注训练性能，解决了PET/CT病灶分割的标签稀缺问题。

Comments Code is publicly available on https://github.com/Image-and-Multimodal-Data-Analytics/FEEDS

ENCORE: Efficient Noise Context-Aware Representation for Low-Dose CT Denoising

ENCORE：面向低剂量CT去噪的高效噪声上下文感知表示

Minwoo Yu, N. Robert Bennett, Jongduk Baek, Adam S. Wang

机构 * Yonsei University（延世大学） ； Stanford University（斯坦福大学） 纠错

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

AI总结 针对低剂量CT去噪的传统模型未适配CT噪声特性的问题，提出ENCORE框架，含FlyingConv模块，实现去噪质量与效率提升，还可进行零样本条件去噪。

Motion Artifact-Aware Self-Supervised Representation Learning for 3D Brain MRI Motion Artifact Reduction

面向3D脑部MRI运动伪影去除的感知运动伪影的自监督表示学习

Mojtaba Safari, Shansong Wang, Zach Eidex, Matthew Goette, Tonghe Wang, Zhen Tian, Xiaofeng Yang

机构 * The University of Chicago（芝加哥大学） ； Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心） 纠错

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

AI总结 提出SSRL-MAR自监督框架，无需配对数据或运动标签，在模拟和活体数据集上实现3D脑部MRI运动伪影去除，性能接近理想监督模型，可提升神经解剖学一致性。

PET/CT Radiogenomic Mutation Prediction in Non-Small Cell Lung Cancer Using Multi-Label Learning

基于多标签学习的非小细胞肺癌PET/CT放射基因组突变预测

Mona Furukawa, Sai Hyne, Daniel R. McGowan, Bartłomiej W. Papież

机构 * Nuffield Department of Population Health, University of Oxford（牛津大学纳菲尔德人口健康系） ； Oxford University Hospitals NHS FT（牛津大学医院国民保健信托基金会） ； Department of Oncology, University of Oxford（牛津大学肿瘤学系） ； Department of Medical Physics and Clinical Engineering, Oxford University Hospitals NHS FT（牛津大学医院国民保健信托基金会医学物理与临床工程系） 纠错

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

AI总结 本研究针对NSCLC的PET/CT放射基因组突变预测问题，利用深度学习探究多标签学习的效果，发现其有效性取决于基因突变组合，为相关预测提供了突变特异性建模的思路。

Task-Adaptive 3D Cross-Field MRI Translation via Field-Conditioned Content-Style Pretraining

基于场条件内容-风格预训练的任务自适应3D跨场MRI转换

Haowen Pang, Yingqi Hao, Pengli Zhu

机构 * School of Integrated Circuits and Electronics, Beijing Institute of Technology（北京理工大学集成电路与电子学院） ； School of Biomedical Engineering, Tsinghua Medicine, Tsinghua University（清华大学医学院生物医学工程学院） ； Department of Electronic Engineering, The Chinese University of Hong Kong（香港中文大学电子工程系） 纠错

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

AI总结 针对跨场MRI转换的域偏移问题，提出基于场条件内容-风格预训练的3D非配对转换框架，适配三项挑战赛任务，可保留三维解剖结构。

Comments MICCAI 2026 Workshop on MRIxFields

CUPA-T2*: Covariance-Aware Uncertainty Propagation and Alignment for T2* Mapping in Accelerated MRI

CUPA-T2*：用于加速MRI中T2* mapping的协方差感知不确定性传播与对齐

Gideon N. L. Rouwendaal, Natascha Niessen, Hannah Eichhorn, Dirk H. J. Poot, Christine Preibisch, Julia A. Schnabel

机构 * Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich（亥姆霍兹慕尼黑生物医学成像机器学习研究所） ； School of Computation, Information & Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院） ； GE HealthCare（GE医疗） ； Biomedical Imaging Group Rotterdam, Erasmus MC（伊拉斯姆斯大学医学中心鹿特丹生物医学成像组） ； Visionlab, University of Antwerp（安特卫普大学视觉实验室） ； School of Medicine & Health, Technical University of Munich（慕尼黑工业大学医学与健康学院） ； Department of Neuroradiology, Klinikum rechts der Isar, Technical University of Munich（慕尼黑工业大学右伊萨尔医院神经放射科） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； School of Biomedical Engineering & Imaging Sciences, King’s College London（伦敦国王学院生物医学工程与成像科学学院） 纠错

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

AI总结 CUPA-T2*框架通过协方差感知采样将重建不确定性传播到T2*拟合，在加速脑部MRI中提升了T2*拟合性能与不确定性对齐度，为定量T2*估计提供解释支持。

Comments Accepted at the 2nd workshop on: Reconstruction and Imaging Motion Estimation (RIME) MICCAI. This is the submitted manuscript with added link to GitHub repo, funding acknowledgements, disclosure of interests, and authors' names and affiliations. No further post submission improvements or corrections were integrated

Anatomically Consistent Cross-Contrast Super-Resolution of Anisotropic Brain T2w MRI

各向异性脑部T2加权MRI的解剖学一致跨对比度超分辨率

Mengqi Shen, Haicheng Wang, Meghna Trivedi, Tony J. Wang, Yuanguang Xu, Yingyan Zeng, Yading Yuan

机构 * Columbia University（哥伦比亚大学） ； Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心） ； Herbert Irving Comprehensive Cancer Center（赫伯特·欧文综合癌症中心） ； University of Cincinnati（辛辛那提大学） 纠错

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

AI总结 该研究提出VIPP-SR框架，利用跨对比度引导实现各向异性脑部T2w MRI的超分辨率，经实验验证可提升下游分割性能，且具备跨队列泛化能力。

Distilling CT Foundation Models into Editable Concept Bottlenecks for Lung Nodule Malignancy Prediction

将CT基础模型蒸馏为可编辑概念瓶颈用于肺结节恶性程度预测

Fakrul Islam Tushar, Stephen Adamo, Geoffrey D. Rubin

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

AI总结 该研究将CT基础模型蒸馏为可编辑概念瓶颈模型，在肺结节恶性程度预测任务中，其判别力与仅用结节大小相当，且支持概念干预以实现透明可解释的预测。

Comments Submitted to SPIE Medical Imaging 2027 conference

MRI super-resolution in ten sampling steps using a diffusion bridge model

基于扩散桥模型的十步采样MRI超分辨率

Mojtaba Safari, Hang Yu, Zach Eidex, Mingzhe Hu, Ryan J. Sanford, Alexandru Florea, Shansong Wang, Chih-Wei Chang, Erik H Middlebrooks, Aditya Juloori, Stanley L. Liauw, Ralph Weichselbaum, Xiaofeng Yang

机构 * The University of Chicago（芝加哥大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Mayo Clinic（梅奥诊所） 纠错

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

AI总结 该研究针对MRI扫描时间与分辨率的权衡问题，提出仅需十步采样的超分辨率扩散桥模型SR-DBM，在7T脑和前列腺MRI数据集上的量化指标与视觉效果均优于九种对比方法。

Spatial Masked-Set Learning for Sparse Multi-Shell Diffusion MRI Signal Synthesis

用于稀疏多壳扩散MRI信号合成的空间掩码集学习

Yousef Sadegheih, Pratibha Kumari, Dorit Merhof

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

AI总结 针对密集多壳扩散MRI采集时间长的问题，提出空间掩码集框架合成稀疏多壳扩散MRI信号，在HCP100数据集上的实验显示其信号NMSE低于现有模型，实现了更优性能。

Comments Accepted at MICCAI CDMRI Workshop 2026

Lesion Detection in CT with Frozen Self-Distilled Features: SALT, a Spatially Adaptive Label-Guided Temperature

基于冻结自蒸馏特征的CT病灶检测：SALT——空间自适应标签引导温度

Mahmut S. Gokmen, Evan W. Damron, Mitchell A. Klusty, Caroline N. Leach, Emily B. Collier, V. K. Cody Bumgardner

机构 * University of Kentucky（肯塔基大学） ； University of Louisville（路易斯维尔大学） 纠错

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

AI总结 该研究提出SALT方法，通过空间自适应标签引导温度优化自监督预训练，冻结编码器后训练轻量级CenterNet头部，在四个CT队列中实现病灶检测，效果优于无目标条件化的对照模型。

Splat-Based Metal Artifact Reduction in Cone-Beam CT via Compact Attenuation Modeling

基于样条的锥形束CT金属伪影消除方法：通过紧凑衰减建模实现

Kiseok Choi, Jaemin Cho, Inchul Kim, Min H. Kim

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

AI总结 本文针对锥形束CT的金属伪影问题，提出基于样条的框架，将物理多能前向模型融入连续高斯表示，实现高效联合优化，实验显示其收敛更快、抑伪影效果更优。

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

VoxStruct3D: Structure-Leading Flow Matching for Voxel-Space 3D MRI Synthesis

VoxStruct3D：用于体素空间3D MRI合成的结构引导流匹配方法

Fang Li, Yang Gao, Shihao Zou, Weixin Si, Hongyu Wu, Qing Xia, Shuai Li, Aimin Hao

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

AI总结 本文提出VoxStruct3D，一种体素空间流匹配框架，通过结构优先策略引导，在T1加权脑MRI合成任务上实现了特征分布对齐、样本多样性等指标的最优性能，生成的体积解剖连贯且视觉真实。

Comments Project page: https://neesky.github.io/VoxStruct3D/

Towards Reliable and Reproducible Fetal Brain Biometry: A Deep Learning Approach Using MRI

迈向可靠且可重复的胎儿脑生物测量：一种基于MRI的深度学习方法

Francesca Maccarone, Marina Di Stefano, Giorgio Longari, Giulia Frigerio, Gloria Rizzato, Rocco Prudentino, Nivedita Agarwal, Tommaso Ciceri, Denis Peruzzo, Simone Melzi

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

AI总结 本文提出一种基于深度学习的四步骤自动化流程，从胎儿MRI中可靠可重复地进行脑生物测量，在两个含150例数据的公开数据集上验证，精度优于或相当现有方法，可支持临床应用。

Comments Currently under journal submission

CRIL-U-Net: Compact Ratio-Interaction Learning for Focal Cortical Dysplasia Segmentation from T1w and FLAIR MRI

CRIL-U-Net：用于从T1w和FLAIR MRI中分割局灶性皮质发育不良的紧凑比率交互学习网络

Soumen Ghosh, Amit Soni Arya, Tilottama Goswami, Subhojit Mandal, John Phamnguyen, Rajat Vashistha

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

AI总结 该研究针对II型局灶性皮质发育不良MRI自动分割难题，提出CRIL-U-Net模型，在85例患者与25例对照的五折交叉验证中，其性能显著优于传统及注意力型U-Net。

Confident but Unreliable: A Behavioral Safety Audit of Vision-Language Models on Brain MRI

自信但不可靠：对基于脑MRI的视觉语言模型的行为安全审计

Amir Sabbaghziarani, Mohammadsajad Abavisani, Sergey Plis

机构 * Georgia State University（佐治亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） ； TReNDS Center（TReNDS中心） 纠错

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

AI总结 本研究对6个指令微调VLMs开展脑MRI行为安全审计，发现其置信度校准差、存在大量高置信度错误，提出医学图像VLM评估需报告置信度可靠性等指标。

CT-HEG: A Bidirectional, Timestamp-Attributed Event Graph for ICU In-Hospital Mortality Prediction - An Architectural Ablation Study

CT-HEG：用于ICU院内死亡率预测的带时间戳属性的双向事件图——一项架构消融研究

Mohammad Nasir Uddin, Rahnuma Tabassum Orpita, Asaduzzaman Anik, Eklachur Rahman Bhuiyan, Marjahan Risalat, SM Wali Ullah, Asif Ahamed

机构 * Westcliff University（韦斯特克利夫大学） ； Northern University Bangladesh（孟加拉国北方大学） ； Stanton University（斯坦顿大学） ； Washington University of Science and Technology（华盛顿科技大学） 纠错

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

AI总结 该研究针对ICU死亡率预测中不规则临床观测建模问题，提出CT-HEG架构并实例化为CHIRP-Net，经MIMIC-IV v3.1数据集实验，验证了双向连接、时间注意力边特征等架构选择的作用，为不规则电子健康记录数据建模提供了有效方案。

Spinal-Multiple-Myeloma-SEG: A Dual-Energy CT Dataset Extended with Trabecular Bone Segmentation of Lumbar Vertebrae

Spinal-Multiple-Myeloma-SEG：扩展了腰椎骨小梁分割的双能CT数据集

Michal Nohel, Vlastimil Valek, Katerina Krejci, Roman Jakubicek, Marek Dostal, Jiri Chmelik

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

AI总结 该研究扩展了Spinal-Multiple-Myeloma-SEG双能CT数据集，添加腰椎骨小梁分割掩码，支持多发性骨髓瘤相关的骨分析与深度学习任务，已通过TCIA和Zenodo公开。

Comments 8 pages, 2 figures

ORCA: ORgan-Centroid Aggregation for Training-Free 3D CT Visual Token Compression

ORCA：面向无需训练的3D CT视觉令牌压缩的器官质心聚合方法

Renjie Liang, Zijian Xu, Jinqian Pan, Chengkun Sun, Zhengkang Fan, Shawn Li, You Qin, Mei Liu, Jie Xu

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

AI总结 针对3D CT视觉令牌压缩的痛点，提出无需训练的即插即用ORCA方法，在多数据集、多任务上实现显著压缩比与速度提升，性能优于现有方法。

Semantically Calibrated Evidence Composition for CT Vision-Language Learning

面向CT视觉-语言学习的语义校准证据组合

Guoliang You, Haifan Gong, Xiaomeng Chu

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

AI总结 该研究针对CT视觉-语言学习中局部证据与全局上下文结合的问题，提出SCOPE框架，通过语义校准实现证据组合，在CT-RATE和RadChestCT数据集上的宏AUC优于现有SOTA。

Comments 9 pages, 3 figures, 5 tables

Empirical investigation of 3D CT Foundation Models and Unsupervised Adaptation for Head and Neck Cancer Recurrence Prediction

3D CT 基础模型与无监督适应用于头颈癌复发预测的实证研究

Bilel Guetarni, Feryal Windal, David Pasquier, Halim Benhabiles

机构 * University of Lille（里尔大学） ； Academic Department of Radiation Oncology, Centre Oscar Lambret（奥斯卡·兰布雷特中心放射肿瘤学学术部） ； Junia（朱尼亚学院） ； Centrale Lille（里尔中央理工学院） ； IMT Nord Europe, Institut Mines-Télécom（北欧电信学院、矿业电信学院） 纠错

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

AI总结 该研究通过两个含 3644 名患者的公开数据集，实证评估 3D CT 基础模型用于头颈癌复发预测的泛化能力，发现其跨场景泛化困难，影像与临床数据结合的预后方法最准确。

Comments Accepted at AIiH 2026

ELECTRIC: Evidential Learning-Enhanced CT Reconstruction via Iterative Correction

ELECTRIC：基于迭代校正的证据学习增强型CT重建

Ge Wang

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） 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ELECTRIC闭环CT重建方法，通过证据学习结合物理引导贝叶斯模型，在低剂量CT数据集上使重建误差降约70%，鲁棒性优于传统方法，为CT重建提供新方案。

Comments 6 figures, 21 pages, and 27 references