医学 AI

BrainNormalizer: Anatomy-Informed Pseudo-Healthy Brain Reconstruction from Tumor MRI via Edge-Guided ControlNet

BrainNormalizer：通过边缘引导控制网络从肿瘤MRI进行解剖学信息伪健康脑重建

Min Gu Kwak, Yeonju Lee, Hairong Wang, Kristin R. Swanson, Jing Li

机构 * University of Pittsburgh（匹兹堡大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cedars-Sinai Medical Center（西德萨斯医疗中心） ； Mayo Clinic Arizona（梅奥诊所亚利桑那分部） 纠错

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

AI总结 针对脑肿瘤致结构变形难区分肿瘤与解剖变异问题，提出BrainNormalizer框架，用两阶段训练学习解剖先验等，通过特定策略实现伪健康脑重建，实验表明其有优势。

OncoReg: Medical Image Registration for Oncological Challenges

OncoReg：面向肿瘤学挑战的医学图像配准

Wiebke Heyer, Yannic Elser, Lennart Berkel, Xinrui Song, Xuanang Xu, Pingkun Yan, Xi Jia, Jinming Duan, Zi Li, Tony C. W. Mok, BoWen LI, Tim Hable, Christian Staackmann, Christoph Großbröhmer, Lasse Hansen, Alessa Hering, Malte M. Sieren, Mattias P. Heinrich

机构 * Institute of Medical Informatics, University of Lübeck（吕贝克大学医学信息学研究所） ； Institute of Radiology and Nuclear Medicine, University Hospital Schleswig-Holstein（石勒斯维希-霍尔斯坦大学医院放射科和核医学研究所） ； Department of Biomedical Engineering and Center for Biotechnology and Interdisciplinary Studies, Rensselaer Polytechnic Institute（伦塞拉塞尔理工学院生物医学工程系和生物技术与跨学科研究中心） ； School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院） ； Division of Informatics, Imaging and Data Sciences, University of Manchester（曼彻斯特大学信息学、成像和数据科学系） ； DAMO Academy, Alibaba Group（阿里集团DAMO学院） ； Hangzhou Shengshi Technology Co., Ltd（杭州盛世科技有限公司） ； Department of Radiation Oncology, University Hospital Schleswig-Holstein（石勒斯维希-霍尔斯坦大学医院放射肿瘤科） ； EchoScout GmbH ； Radboud University Medical Center, Nijmegen（奈密根大学医学中心） ； Institute of Interventional Radiology, University Hospital Schleswig-Holstein（石勒斯维希-霍尔斯坦大学医院介入放射科） 纠错

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

AI总结 提出OncoReg挑战，通过两阶段框架在保护患者隐私的同时开发可泛化的图像配准方法，用于放射治疗中锥束CT与扇束CT的配准，发现特征提取是关键，深度学习和经典方法结合最有效。

Comments 21 pages, 13 figures

Multimodal Brain Tumour Classification Using Feature Fusion

使用特征融合的多模态脑肿瘤分类

Wajih ul Islam, Muhammad Yaqoob, Javed Ali Khan, Volker Steuber

机构 * School of Physics, Engineering and Computer Science（物理、工程与计算机科学学院） ； University of Hertfordshire（赫特福德郡大学） 纠错

专题命中 医学影像 ：MRI(summary_cn,abstract)；CT(abstract,abstract_cn)；分类 cs.CV、cs.LG、eess.IV

AI总结 提出双分支多模态网络，融合MRI图像与91个放射组学特征，通过门控融合实现脑肿瘤分类，准确率达96.13%。

Self-Supervised Weighted Image Guided Quantitative MRI Super-Resolution

自监督加权图像引导的定量磁共振成像超分辨率

Alireza Samadifardheris, Dirk H. J. Poot, Florian Wiesinger, Stefan Klein, Juan A. Hernandez-Tamames

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） 纠错

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

Bi-PT: Bidirectional Cross-Attention Point Transformers for Four-Chamber Heart Reconstruction from Sparse Cardiac MRI Data

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

Chenchuhui Hu, Shaoming Pan, Leon Axel, Meng Ye

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） 纠错

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。

K-space Gaussian Representation for Parallel MRI

并行磁共振成像的K空间高斯表示

Yu Guan, Mingyu Hu, Jiale Hu, Zhuoxu Cui, Dong Liang, Qiegen Liu

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） 纠错

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: A Hybrid Ensemble for Head-and-Neck Tumor Segmentation, TN Staging, and Recurrence-Free Survival on PET/CT

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

Kai Wang, Meixu Chen, Elie Nasr, Ryan Lanning, Moyed Miften

机构 * University of Colorado School of Medicine（科罗拉多大学医学院） 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

GLI-AL: A Multi-Modal Glioma MRI Label Resource with Unified Anatomy-Lesion Labels

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

Xingyu Xiang, Shuang Hao, Fan Wang, Jianhua Ma, Chunfeng Lian

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） 纠错

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

Comparative evaluation of training strategies using partially labelled datasets for segmentation of white matter hyperintensities and stroke lesions in FLAIR MRI

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

Jesse Phitidis, Alison Q. Smithard, William N. Whiteley, Joanna M. Wardlaw, Miguel O. Bernabeu, Maria Valdés Hernández

机构 * University of Edinburgh（爱丁堡大学） 纠错

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。

SFL-Net: Source-Factorized Latent Representation Learning for Multi-Contrast MRI to Tau-PET Synthesis

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

Agamdeep S. Chopra, Caitlin Neher, Tianyi Ren, Juampablo E. Heras Rivera, Hesamoddin Jahanian, Mehmet Kurt

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） 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。

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。

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。

Trans-stenotic pressure drop estimation from PC-MRI and ultrasound imaging velocimetry using a modified Bernoulli equation

利用改进的伯努利方程估计跨狭窄压力梯度

Ali Amiri, Johan T. Padding, Selene Pirola, Willian Hogendoorn

专题命中 医学影像 ：MRI(title,summary_cn)

AI总结 本文提出改进的伯努利方程以更准确估计跨狭窄压力梯度，通过引入雷诺数依赖的损失系数，实验表明该方法在生理相关流量范围内优于传统方法，且MRI成像中峰值速度更抗采样误差。

Estimating Spatially-Smoothed Fiber Orientation Distribution from Diffusion-MRI Experiments

从扩散MRI实验估计空间平滑的纤维取向分布

Jilei Yang, Seungyong Hwang, Mengjie Shi, Jie Peng

专题命中 医学影像 ：MRI(title,title_cn)

AI总结 提出最近邻自适应回归模型（NARM），通过加权局部似然估计和空间邻域嵌套实现纤维取向分布（FOD）的空间自适应估计，引入体素级重缩放和数据驱动停止规则防止过平滑，并基于配置感知策略选择相似性平滑参数，在模拟和人类连接组项目数据中提高了估计准确性和可重复性。

A Vision-language Framework for Comparative Reasoning in Radiology

放射学中比较推理的视觉语言框架

Tengfei Zhang, Ziheng Zhao, Xiaoman Zhang, Lisong Dai, Pengcheng Qiu, Ya Zhang, Yanfeng Wang, Weidi Xie

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Radiology, Renmin Hospital of Wuhan University（武汉大学仁民医院放射科） ； Shanghai Sixth People’s Hospital Affiliated to Shanghai Jiao Tong University（上海交通大学附属第六人民医院） 纠错

专题命中 医学影像 ：radiology(title)；CT(abstract,abstract_cn)；diagnosis(abstract)；分类 cs.CV、cs.LG、eess.IV

AI总结 提出一个实体感知的跨图像推理框架，通过构建大规模比较影像数据集MedReCo-DB和开发MedReCo及MedReCo-VLM模型，实现了参考病例检索和时间比较解读，显著提升了放射学比较推理性能。

Spatiotemporal Gaussian representation-based dynamic reconstruction and motion estimation framework for time-resolved volumetric MR imaging (DREME-GSMR)

基于空间时间高斯表示的动态重建与运动估计框架用于时间分辨体素MRI成像（DREME-GSMR）

Jiacheng Xie, Hua-Chieh Shao, Can Wu, Ricardo Otazo, Jie Deng, Mu-Han Lin, Tsuicheng Chiu, Jacob Buatti, Viktor Iakovenko, You Zhang

机构 * The Advanced Imaging and Informatics for Radiation Therapy (AIRT) Laboratory（先进成像与放射治疗信息学（AIRT）实验室） ； The Medical Artificial Intelligence and Automation (MAIA) Laboratory（医学人工智能与自动化（MAIA）实验室） ； Department of Radiation Oncology, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心放射肿瘤科） ； Department of Medical Physics, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心医学物理系） 纠错

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

AI总结 本文提出DREME-GSMR框架，通过3D高斯表示实现亚秒级动态MRI重建，无需先验模型即可进行实时影像和运动追踪。

Comments 57 pages, 10 figures

Catching magnetic resonance imaging outliers in artificial intelligence-supported radiotherapy workflows: unsupervised detection and localization of image anomalies using deep learning

捕捉MRI异常：使用深度学习无监督检测和定位MRI伪影及临床异常

Mustafa Kadhim, Viktor Rogowski, Emilia Persson, Camila Gonzalez, André Haraldsson, Sofie Ceberg, Mikael Nilsson, Malin Kügele, Sven Bäck, Christian Jamtheim Gustafsson

机构 * Physics and Imaging in Radiation Oncology (phiRO)（物理与放射治疗成像（phiRO）） 纠错

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

AI总结 提出一种两阶段无监督异常检测框架，通过离散令牌压缩和令牌惊奇度评分，在盆腔和脑部MRI上实现高精度异常检测与定位，支持放疗工作流自动化质量控制。

Comments This paper has been submitted to Physics and Imaging in Radiation Oncology (phiRO)

Annotation-free deep learning for detection and segmentation of fetal germinal matrix-intraventricular hemorrhage in brain MRI

无需标注的深度学习用于胎儿生殖层-脑室出血的检测和分割

Mingxuan Liu, Yingqi Hao, Yi Liao, Juncheng Zhu, Haoxiang Li, Hongjia Yang, Yifei Chen, Yijin Li, Kasidit Anmahapong, Zihan Li, Jialan Zheng, Min Kang, Yan Song, Hua Lai, Xiaoling Zhou, Nan Sun, Rong Hu, Gang Ning, Haibo Qu, Qiyuan Tian

机构 * Department of Radiology, West China Second University Hospital, Sichuan University（四川大学华西第二医院放射科） ； School of Biomedical Engineering, Tsinghua Medicine, Tsinghua University（清华大学医学院生物医学工程系） ； Department of Radiology, Sichuan Provincial Woman’s and Children’s Hospital, The Affiliated Women’s and Children’s Hospital of Chengdu Medical College（四川省妇幼保健院放射科，成都医学院附属妇幼医院） ； Chengdu Women’s and Children’s Central Hospital, School of Medicine, University of Electronic Science and Technology of China（成都妇女儿童中央医院，电子科技大学医学院） ； Department of Radiology, The Third Affiliated Hospital of Zhengzhou University（郑州大学第三附属医院放射科） ； Qujing Maternal and Child Health Hospital, Qujing, China（曲靖 maternal and child health hospital, Qujing, China） 纠错

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

AI总结 本文提出一种无需标注数据的深度学习框架，用于自动检测和分割胎儿生殖层-脑室出血，通过伪图像合成和医学先验知识训练，提升了诊断和分割的准确性。

Beyond the LUMIR challenge: The pathway to foundational registration models

超越LUMIR挑战：走向基础配准模型

Junyu Chen, Shuwen Wei, Joel Honkamaa, Pekka Marttinen, Hang Zhang, Min Liu, Yichao Zhou, Zuopeng Tan, Zhuoyuan Wang, Yi Wang, Hongchao Zhou, Shunbo Hu, Yi Zhang, Qian Tao, Lukas Förner, Thomas Wendler, Bailiang Jian, Benedikt Wiestler, Tim Hable, Jin Kim, Dan Ruan, Frederic Madesta, Thilo Sentker, Wiebke Heyer, Lianrui Zuo, Yuwei Dai, Jing Wu, Jerry L. Prince, Harrison Bai, Yong Du, Yihao Liu, Alessa Hering, Reuben Dorent, Lasse Hansen, Mattias P. Heinrich, Aaron Carass

机构 * The Russell H. Morgan Department of Radiology（Russell H. Morgan放射科） ； Radiological Science, Johns Hopkins Medical School（约翰霍普金斯医学院放射科学） ； Department of Computer Science, Aalto University（阿尔托大学计算机科学系） ； Cornell University（康奈尔大学） ； Canon Medical Systems (China) Co. Ltd.（佳能医疗系统（中国）有限公司） ； School of Biomedical Engineering, Shenzhen University Medical School（深圳大学医学院生物医学工程学院） ； Department of Imaging Physics, Delft University of Technology（代尔夫特理工大学成像物理系） ； Technical University of Munich（慕尼黑技术大学） ； Radboud University Medical Center（拉德伯德大学医学中心） ； Inria, Paris, France（法国巴黎Inria） 纠错

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

AI总结 提出LUMIR挑战，通过大规模无监督脑MRI配准任务，验证深度学习方法在生成解剖合理变形场和跨域鲁棒性上的优势，推动通用医学图像配准基础模型的发展。

Comments Accepted to Medical Image Analysis ((c) MedIA). Code available at https://github.com/JHU-MedImage-Reg/LUMIR_L2R

CA-GCL: Cross-Anatomy Global-Local Contrastive Learning for Robust 3D Medical Image Understanding

CA-GCL：跨解剖全局-局部对比学习用于稳健的3D医学图像理解

Hanwen Zhang, Yao Liu, Die Dai, Jiaye Yang, Qiao Liu, Yutong Xie, Peng Wang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（莫扎德人工智能大学） 纠错

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

AI总结 本文提出CA-GCL框架，通过全局对比学习和临床感知文本增强，解决3D医学图像理解中文本嵌入空间退化问题，提升零样本异常检测性能和跨数据集泛化能力。

Predicting brain tumour enhancement from non-contrast MR imaging with artificial intelligence: a multi-cohort retrospective diagnostic accuracy study

基于人工智能从非对比MR成像预测脑肿瘤强化：一项多队列回顾性诊断准确性研究

James K Ruffle, Samia Mohinta, Guilherme Pombo, Asthik Biswas, Alan Campbell, Indran Davagnanam, David Doig, Ahmed Hammam, Harpreet Hyare, Farrah Jabeen, Emma Lim, Dermot Mallon, Stephanie Owen, Sophie Wilkinson, Sebastian Brandner, Parashkev Nachev

机构 * Queen Square Institute of Neurology, University College London, London, UK（伦敦大学学院医院神经科学研究所） ； National Hospital for Neurology and Neurosurgery, London, UK（伦敦神经病学与神经外科医院） ； NVIDIA, UK（英国NVIDIA公司） ； Great Ormond Street Hospital for Children, London, UK（伦敦儿童医院） ； Royal National Orthopaedic Hospital, Stanmore, Middlesex, UK（斯坦莫尔皇家骨科医院，中西敏，英国） ； University College Hospitals NHS Foundation Trust, London, UK（伦敦大学学院医院 NHS 基础信托） ； Royal Free Hospital, London, UK（伦敦皇家自由医院） ； Imperial College Healthcare NHS Trust, London, UK（伦敦帝国学院医疗信托） ； Imperial College London, London, UK（伦敦帝国学院） 纠错

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

AI总结 本研究开发并验证了深度学习模型，仅从非对比MRI预测肿瘤对比增强，在多个数据集上达到83.0%的平衡准确率，有望减少神经肿瘤成像中对钆的依赖。

Comments 44 pages

The TopCoW Challenge -- Topology-Aware Circle of Willis Segmentation for CT and MR Angiography

TopCoW挑战——用于CT和MR血管造影的拓扑感知Willis环分割

Kaiyuan Yang, Fabio Musio, Yihui Ma, Norman Juchler, Johannes C. Paetzold, Rami Al-Maskari, Luciano Höher, Hongwei Bran Li, Ibrahim Ethem Hamamci, Anjany Sekuboyina, Suprosanna Shit, Houjing Huang, Chinmay Prabhakar, Ezequiel de la Rosa, Bastian Wittmann, Diana Waldmannstetter, Florian Kofler, Fernando Navarro, Martin J. Menten, Ivan Ezhov, Daniel Rueckert, Iris N. Vos, Ynte M. Ruigrok, Birgitta K. Velthuis, Hugo J. Kuijf, Pengcheng Shi, Wei Liu, Ting Ma, Maximilian R. Rokuss, Yannick Kirchhoff, Fabian Isensee, Klaus Maier-Hein, Chengcheng Zhu, Huilin Zhao, Philippe Bijlenga, Julien Hämmerli, Catherine Wurster, Laura Westphal, Jeroen Bisschop, Elisa Colombo, Hakim Baazaoui, Hannah-Lea Handelsmann, Andrew Makmur, James Hallinan, Amrish Soundararajan, Benedikt Wiestler, Jan S. Kirschke, Evamaria O. Riedel, Roland Wiest, Emmanuel Montagnon, Laurent Letourneau-Guillon, Kwanseok Oh, Dahye Lee, Orhun Utku Aydin, Adam Hilbert, Jana Rieger, Dimitrios Rallios, Satoru Tanioka, Alexander Koch, Dietmar Frey, Abdul Qayyum, Moona Mazher, Steven Niederer, Nico Disch, Julius C. Holzschuh, Dominic LaBella, Francesco Galati, Daniele Falcetta, Maria A. Zuluaga, Chaolong Lin, Haoran Zhao, Zehan Zhang, Minghui Zhang, Xin You, Hanxiao Zhang, Guang-Zhong Yang, Yun Gu, Sinyoung Ra, Jongyun Hwang, Hyunjin Park, Junqiang Chen, Marek Wodzinski, Henning Müller, Nesrin Mansouri, Florent Autrusseau, Cansu Yalcin, Rachika E. Hamadache, Clara Lisazo, Joaquim Salvi, Adrià Casamitjana, Xavier Lladó, Uma Maria Lal-Trehan Estrada, Valeriia Abramova, Luca Giancardo, Arnau Oliver, Paula Casademunt, Adrian Galdran, Matteo Delucchi, Oscar Camara, Jialu Liu, Haibin Huang, Yue Cui, Zehang Lin, Yusheng Liu, Shunzhi Zhu, Tatsat R. Patel, Adnan H. Siddiqui, Vincent M. Tutino, Maysam Orouskhani, Huayu Wang, Mahmud Mossa-Basha, Yuki Sato, Sven Hirsch, Susanne Wegener, Bjoern Menze

机构 * Department of Quantitative Biomedicine, University of Zurich, Zurich, Switzerland ； Institute of Computational Life Sciences, Zurich University of Applied Sciences (ZHAW), Waedenswil, Switzerland ； Department of Neuroradiology, University Hospital of Zurich, Zurich, Switzerland ； Department of Neurosurgery, Zhongnan Hospital of Wuhan University, Wuhan, China ； Department of Radiology at Weill Cornell Medicine, Cornell University, New York, USA ； Institute for Tissue Engineering ； School of Computation, Information ； Technology, Technical University of Munich, Germany ； Athinoula A. Martinos Center for Biomedical Imaging, Harvard Medical School, Boston, USA ； School of Medicine ； Health, TUM Klinikum, Technical University of Munich, Germany ； Munich Center for Machine Learning, Munich, Germany ； Department of Computing, Imperial College London, London, UK ； Image Sciences Institute, UMC Utrecht, Utrecht, The Netherlands ； Department of Neurology ； Neurosurgery, University Medical Center Utrecht, Utrecht, The Netherlands ； Department of Radiology, University Medical Center Utrecht, Utrecht, The Netherlands ； Electronic \& Information Engineering School, Harbin Institute of Technology (Shenzhen), China ； Peng Cheng Laboratory, Shenzhen, China ； Division of Medical Image Computing, German Cancer Research Center (DKFZ), Heidelberg, Germany ； Faculty of Mathematics ； Computer Science, Heidelberg University, Germany ； Helmholtz Imaging, German Cancer Research Center, Heidelberg, Germany ； Data Science School for Health, Karlsruhe/Heidelberg, Germany ； Learning Group, Department of Radiation Oncology, Heidelberg University Hospital ； Department of Radiology, University of Washington, Seattle, WA, USA ； Department of Radiology, Ren Ji Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China ； Department of Clinical Neurosciences, Division of Neurosurgery, Geneva University Hospitals, Geneva, Switzerland ； Department of Neurology, University Hospital of Zurich, Zurich, Switzerland ； Department of Physiology, University of Toronto, Canada ； Department of Neurosurgery, University Hospital of Zurich, Zurich, Switzerland ； Department of Diagnostic Imaging, National University Hospital, Singapore ； University of Chicago, USA ； Department of Diagnostic ； Interventional Neuroradiology, University Hospital Berne ； University of Berne, Berne, Switzerland ； Centre de Recherche du Centre Hospitalier de l’Université de Montréal (CRCHUM), Montréal, Québec, Canada ； DEEPNOID Inc., Seoul, South Korea ； Department of Artificial Intelligence, Korea University, Seoul, South Korea ； Charité Lab for AI in Medicine (CLAIM), Charité Universitätsmedizin Berlin, Berlin, Germany ； Lung Institute, Faculty of Medicine, Imperial College London, London, UK ； Centre for Medical Image Computing, Department of Computer Science, University College London, London, UK ； Department of Radiation Oncology, Duke University Medical Center, Durham, NC, USA ； Institute of Medical Technology, Peking University Health Science Center, Beijing, China ； Hangzhou Genlight MedTech Co., Ltd., China ； Institute of Medical Robotics, Shanghai Jiao Tong University, Shanghai, China ； Department of Automation, Shanghai Jiao Tong University, Shanghai, China ； Department of Artificial Intelligence, Sungkyunkwan University, Seoul, South Korea ； Department of Electrical ； Computer Engineering, Sungkyunkwan University, Seoul, South Korea ； Shanghai MediWorks Precision Instruments Co., Ltd., China ； Institute of Informatics, HES-SO Valais-Wallis, Switzerland ； Department of Measurement ； Electronics, AGH University of Krakow, Poland ； Laboratoire de Thermique et Energie de Nantes (LTeN), Université Nantes, Polytech’Nantes, Nantes, France ； Research Institute of Computer Vision ； Center for Precision Health, McWilliams School of Biomedical Informatics, University of Texas Health Science Center at Houston, USA ； Physense, BCN-Medtech, Department of Communication ； Information Technologies, Universitat Pompeu Fabra, Barcelona, Spain ； Department of Mathematical Modeling ； Machine Learning, University of Zurich, Zurich, Switzerland ； Laboratory of Brain Atlas ； Brain-inspired Intelligence, Institute of Automation, Chinese Academy of Sciences, Beijing, China ； School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China ； School of Computer ； Information Engineering, Xiamen University of Technology, Xiamen, China ； Vascular Research Center, University at Buffalo, NY, USA ； Department of Pathology ； Anatomical Sciences, University at Buffalo, NY, USA ； Department of Neurosurgery, University at Buffalo, NY, USA ； LPIXEL Inc., Tokyo, Japan 纠错

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

AI总结 组织TopCoW基准挑战，发布含125对MRA和CTA扫描的注释数据集，参与者提交CoW分割和变体分类算法，经评估，最佳算法在多任务中表现出色，证明CoW分割算法对下游临床应用有可解释性效用。

Comments Summary paper for the TopCoW Challenge: 4 figures, 1 table, and supplementary material in appendix. Accepted for publication in NEJM AI. Datasets and best-performing algorithm Dockers are available at https://zenodo.org/records/15692630 and https://zenodo.org/records/15665435

Journal ref NEJM AI 2026;3(8)

Wasserstein-Aligned Localisation for VLM-Based Distributional OOD Detection in Medical Imaging

基于VLM的医学图像分布外检测的Wasserstein对齐定位

Bernhard Kainz, Johanna P Mueller, Matthew Baugh, Cosmin Bercea

机构 * Department of Computing, Imperial College London, UK（伦敦帝国理工学院计算机系） ； Technical University Munich, DE（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML), DE（慕尼黑机器学习中心（MCML）） 纠错

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

AI总结 提出WALDO框架，利用最优传输理论通过熵加权切片Wasserstein距离、Goldilocks区域采样和自一致性聚合实现零样本异常定位，在NOVA脑MRI基准上mAP@30达43.5%，相对提升19%。

Comments submitted to MICCAI 2026

Learning Patient-Specific Disease Dynamics with Latent Flow Matching for Longitudinal Imaging Generation

学习患者特异性疾病动态：基于潜在流匹配的纵向影像生成

Hao Chen, Rui Yin, Yifan Chen, Qi Chen, Chao Li

机构 * University of Cambridge（剑桥大学） ； Nanjing First Hospital（南京第一医院） ； Nanjing Medical University（南京医科大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Dundee（邓迪大学） 纠错

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

AI总结 提出Δ-LFM框架，利用流匹配对齐患者潜在轨迹，通过患者特异性潜在对齐实现单调疾病进展建模，在三个纵向MRI基准上验证了可解释性和性能。

Comments ICLR 2026 accepted

ReclAIm: A Multi-Agent Framework for Monitoring and Correcting Performance Decline in Medical Imaging AI

ReclAIm：用于监测和纠正医学影像AI性能下降的多智能体框架

Eleftherios Tzanis, Michail E. Klontzas

机构 * Artificial Intelligence and Translational Imaging (ATI) Lab, Department of Radiology, School of Medicine, University of Crete（人工智能与转化成像实验室，放射科，医学院，希腊克里特大学） ； Computational Biomedicine Laboratory, Institute of Computer Science Foundation for Research and Technology Hellas (ICS - FORTH), Heraklion, Crete, Greece（计算生物医学实验室，希腊基础研究与技术院计算机科学研究所（ICS - FORTH），克里特，希腊） ； Division of Radiology, Department of Clinical Science, Intervention and Technology (CLINTEC), Karolinska Institute, Huddinge, Sweden（放射科，临床科学、干预与技术部（CLINTEC），卡罗林斯卡研究所，瑞典Huddinge） 纠错

专题命中 医学影像 ：MRI(abstract,abstract_cn)；CT(abstract,abstract_cn)；medical image(abstract)；radiology(comments)

AI总结 提出基于大语言模型的多智能体框架ReclAIm，通过自然语言交互自动监测医学图像分类模型性能下降并触发微调，采用数据增强、类别不平衡处理和参数锚定正则化策略，在多个数据集上验证了有效性。

Comments Published in Radiology: Artificial Intelligence (https://doi.org/10.1148/ryai.250923)

TRAECR: A Tool for Preprocessing Positron Emission Tomography Imaging for Statistical Modeling

TRAECR：一种用于正电子发射断层扫描成像预处理以进行统计建模的工具

Akhil Ambekar, Robert Zielinski, Ani Eloyan

专题命中 医学影像 ：MRI(summary_cn,abstract)；diagnosis(abstract)；分类 q-bio

AI总结 本文针对PET成像统计建模，为统计学家提供背景与工具，介绍了TRAECR工具，包括模板配准、MRI-PET共配准等功能，可促进PET成像数据预处理，助力相关统计分析。

Phi-SegNet: Phase-Integrated Supervision for Medical Image Segmentation

Phi-SegNet：用于医学图像分割的相位集成监督

Shams Nafisa Ali, Taufiq Hasan

机构 * mHealth Lab, Department of Biomedical Engineering, Bangladesh University of Engineering and Technology（孟加拉工程与技术大学生物医学工程系mHealth实验室） ； Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系） ； Center for Bioengineering Innovation and Design, Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物工程创新与设计中心，生物医学工程系） 纠错

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

AI总结 研究针对医学图像分割跨模态泛化难问题，提出Phi-SegNet架构，在架构和优化层面融入相位感知信息，含双特征掩码模块与逆傅里叶注意力块，经实验取得优异性能，为泛化分割框架发展提供新思路。

Comments 13 pages, 9 figures

PURe: A Plug-and-Play Product-Unit Residual Module for Vision Networks

PURe: 一种用于视觉网络的即插即用乘积单元残差模块

Ziyuan Li, Uwe Jaekel, Babette Dellen

机构 * Department of Mathematics, Informatics and Technology, University of Applied Sciences Koblenz（科隆应用科学大学数学、信息学与技术系） ； Technical University of Munich（慕尼黑技术大学） 纠错

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

AI总结 提出PURe模块，通过二维乘积单元的对数域公式实现稳定的局部乘法交互，可替代残差网络中的标准单元，在图像分类和CT分割任务中提升精度-参数权衡。

Comments Accepted to the GCPR 2026

Tumor-anchored deep feature random forests for out-of-distribution detection in lung cancer segmentation

基于肿瘤锚定的深度特征随机森林用于肺癌分割中的分布外检测

Aneesh Rangnekar, Harini Veeraraghavan

机构 * Memorial Sloan Kettering Cancer Center（纪念斯隆凯特林癌症中心） 纠错

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

AI总结 本文提出RF-Deep框架，利用深度特征提升CT扫描的分布外检测性能，通过少量标注数据改进分割管道的安全性。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR), 2026. Code available at: https://github.com/aneesh3108/RF-Deep

HERO: Hierarchical Evidential Reasoning Optimization for Radiology Report Generation via Reason-then-Summarize

对齐发现与诊断：一种自洽的强化学习框架用于可信的放射学报告

Kun Zhao, Guodong Liu, Hui Ji, Siyuan Dai, Pan Wang, Jifeng Song, Chenghua Lin, Liang Zhan, Haoteng Tang

机构 * University of Pittsburgh（匹兹堡大学） ； University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德谷分校） ； The University of Manchester（曼彻斯特大学） 纠错

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

AI总结 本文提出了一种自洽的强化学习框架，用于生成可信的放射学报告，通过优化生成过程和减少幻觉，提升了临床效果。