医学 AI

ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction

ProgFormer：用于纵向脑部MRI预测的分层体素扩散Transformer

Dexuan Ding, Yuankai Qi, Luping Zhou, Jian Yang, Quan Z. Sheng, Ming-Hsuan Yang

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

AI总结 ProgFormer是一种分层体素扩散Transformer，通过粗-细通路结合条件流匹配，在ADNI等三个基准上实现了更优的纵向脑部MRI预测性能。

Multi-scale radiomics in pelvic MRI for endometriosis subtyping: highlighting data heterogeneity constraints

用于子宫内膜异位症分型的盆腔MRI多尺度放射组学：强调数据异质性约束

Eliot Leguy, Chloe Mallet, Nicolas Normand, Elodie Germani

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

AI总结 本研究基于UT-EndoMRI数据集，探索盆腔MRI多尺度放射组学用于子宫内膜异位症分型，发现原始小波特征结合梯度提升分类器AUC达0.80，但小型多中心数据集中放射组学分型存在脆弱性。

Comments Accepted for publication at the MICCAI 2026 CAPI-WOMEN workshop

Open-Ended CT Volume Segmentation with Weak Supervision from Language

基于语言弱监督的开放式CT体积分割

Sanjay Subramanian, Junwei Yu, Zirui Wang, Rohil Malpani, Maggie Chung, Adam Yala, Dan Klein, Trevor Darrell

机构 * Department of Electrical Engineering and Computer Science, UC Berkeley（加州大学伯克利分校电气工程与计算机科学系） ； Voio ； Department of Radiology and Biomedical Imaging, UC San Francisco（加州大学旧金山分校放射学与生物医学成像系） ； Computational Precision Health, UC Berkeley and UC San Francisco（加州大学伯克利分校和加州大学旧金山分校计算精准健康中心） 纠错

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

AI总结 研究基于语言弱监督训练CT扫描文本条件分割模型，通过结合体素级与切片级监督，从扫描-报告对提取信息，微调通用2D图像分割模型SAM3，在ReXGroundingCT数据集上提升了分割骰子分数。

Inverse Bayesian Inference for Extracting Lesion Dynamics from Longitudinal Spectral CT

用于从纵向光谱CT中提取病变动态的逆贝叶斯推理

Lukas Förner, Melina Wördehoff, Julian Steffens, Maximilian Schmutz, Rainer Claus, Josua Decker, Thomas Kröncke, Kartikay Tehlan, Thomas Wendler

机构 * University Hospital Augsburg（奥格斯堡大学医院） ； Technical University of Munich（慕尼黑工业大学） ； Bavarian Center for Cancer Research (BZKF)（巴伐利亚癌症研究中心） ； University of Augsburg（奥格斯堡大学） 纠错

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

AI总结 该研究针对纵向光谱CT提取病变动态参数的挑战，提出逆贝叶斯框架，将光谱特征演变分解为三个分量，通过对NSCLC CT数据验证，能恢复不同动态模式，确立了逆动态推理方法，从静态特征提取迈向病变行为机制表征。

Cheap Probes Predict Expensive Training in 3D-CT Vision--Language Models

廉价探针预测3D-CT视觉语言模型中的昂贵训练

Renjie Liang

机构 * University of Florida（佛罗里达大学） 纠错

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

AI总结 研究为3D-CT视觉语言模型选编码器及压缩方案时，候选组合多难比较。提出用廉价探针替代，构建含验证门限的探测基准，比较读出头并配对探针与下游任务，早期结果显示廉价探针排序与昂贵微调一致，有望快速筛选方案。

Agentic Autoresearch for CT Reconstruction

用于CT重建的智能自动研究

Andreas Maier, Lucas Kachelriess, Siming Bayer, Yixing Huang, Yan Xia, Amber Simpson, Moritz Zaiss

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

AI总结 研究CT重建方法比较难题，利用大语言模型智能体构建智能循环，独立实现、调整并基准测试26种方法，重组为紧凑求解器，发现理想数据排名无法预测现实噪声下表现，噪声会颠倒排名，重新训练可恢复部分排名，强调基准测试需考虑多种现实因素。

Comments 16 pages

A Dual Path Framework with Hotspot Guided Fusion for Three Dimensional CT to PET Synthesis in Head and Neck Cancer

一种用于头颈癌三维CT到PET合成的热点引导融合双路径框架

Mohd Maaz Khan, Oluwaseyi Oderinde

机构 * Advanced Molecular Imaging in Radiotherapy (AdMIRe) Research Laboratory, School of Health Sciences, Purdue University, West Lafayette, IN, 47907, USA（高级分子影像在放射治疗（AdMIRe）研究实验室，健康科学学院，普渡大学，西拉法叶，IN，47907，美国） ； Department of Radiation Oncology, Indiana University School of Medicine, Indianapolis, IN 46202, USA（放射肿瘤学部，印第安纳大学医学院，印第安纳波利斯，IN，46202，美国） 纠错

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

AI总结 针对头颈癌，提出从CT扫描合成PET图像的双路径框架，由回归U-Net和条件生成对抗网络组成，经热点引导融合输出，可提供代谢信息辅助成像和临床决策，重建PET体积有一定误差指标，能定位病变但高代谢区有SUV低估。

Comments 25 pages, 11 figures

FSB-Net: Frequency-Spatial Boundary Network for Brain Stroke Lesion Segmentation in Non-Contrast CT

FSB-Net：用于非增强CT中脑卒病变分割的频率-空间边界网络

Linke Fan, Xianglong Li, Huixin Huang, Kai Shu

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

AI总结 研究旨在解决非增强CT中脑卒病变分割难题。提出FSB-Net，利用频域分析，含小波边界检测头、频率-空间交叉注意力模块和频谱边界损失。在公共数据集上评估，性能优于多种方法，达当前最佳。

SHFormer: Dynamic Spectral Filtering Convolutional Neural Network and High-pass Kernel Generation Transformer for Adaptive MRI Reconstruction

SHFormer：用于自适应MRI重建的动态频谱滤波卷积神经网络和高通内核生成变压器

Sriprabha Ramanarayanan, Rahul G. S., Mohammad Al Fahim, Keerthi Ram, Ramesh Venkatesan, Mohanasankar Sivaprakasam

机构 * Indian Institute of Technology Madras (IITM)（印度理工学院马德拉斯分校） ； Healthcare Technology Innovation Centre（医疗技术创新中心） ； GE John F Welch Technology Center（通用电气约翰·F·韦尔奇技术中心） 纠错

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

AI总结 针对基于注意力机制的MRI重建模型在高频表示和多模态数据处理上的不足，提出含频谱滤波CNN和动态高通内核生成变压器的网络进行可扩展MRI重建，在未见场景下有良好重建效果，提升了PSNR和SSIM。

Comments Published in Neural Networks (Elsevier), Vol. 187, Article 107334, July 2025. DOI: 10.1016/j.neunet.2025.107334

Journal ref Neural Networks, Vol. 187, Article 107334, July 2025

Deep Learning Estimation of Sex, Age, Height, and Weight from CT-derived Digitally Reconstructed Radiographs

基于CT衍生数字重建X线片的深度学习估计性别、年龄、身高和体重

Tomohiro Kikuchi, Kohei Yamamoto, Yukihiro Nomura, Yosuke Yamagishi, Takeharu Yoshikawa, Toshiaki Akashi, Jun Kamohara, Hiroyuki Fujii, Harushi Mori

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

AI总结 研究旨在开发深度学习集成方法从CT衍生DRR估计成人性别、年龄、身高和体重。用三个多任务模型微调后加权平均组合，在多组数据上测试评估。结果表明该方法能有效估计，解剖覆盖广时误差低。

Comments Code: https://github.com/jichi-labo/DRRBiometricsPredictor

SAMRI-3D: Adapting SAM2 for 3D MRI Segmentation with Global Volume Tokens

SAMRI-3D：通过全局体积令牌将SAM2应用于3D MRI分割

Zhao Wang, Wei Dai, Hongfu Sun, Craig Engstrom, Shekhar S. Chandra

机构 * School of Electrical Engineering and Computer Science, The University of Queensland（电气工程与计算机科学学院，昆士兰大学） ； School of Engineering, College of Engineering, Science and Environment, University of Newcastle（工程学院，工程、科学与环境学院，纽卡斯尔大学） ； School of Human Movement and Nutrition Sciences, The University of Queensland（人类运动与营养科学学院，昆士兰大学） 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MRI低软组织对比度导致边界难观察的问题，提出SAMRI-3D方法，通过冻结图像编码器、微调解码器和内存模块，并引入全局体积令牌，在3D MRI分割上取得高精度，提升了基于SAM的医学模型性能。

BrainNext: A General-Purpose Self-Supervised Foundation Model for Brain MRI Analysis

BrainNext：用于脑MRI分析的通用自监督基础模型

Moona Mazher, Abdul Qayyum, Steven A. Niederer, Daniel C. Alexander

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

AI总结 研究提出BrainNext通用自监督基础模型用于脑MRI分析，结合MAE预训练与三维双向xLSTM-UNet架构，从大量未标记数据学习，经微调用于下游任务，在FOMO 2025评估中表现出色，证明其可转移性和作为基础模型的潜力。

DRIFT: Difficulty-aware Rectified Flows for Through-plane MRI Super-Resolution

DRIFT：用于平面内MRI超分辨率的难度感知整流流

Yoonseok Choi, Eun-Gyu Ha, Daniel Kim, Mohammed A. Al-masni, Ming-Hsuan Yang, Dong-Hyun Kim

机构 * Yonsei University（延世大学） ； King Fahd University of Petroleum & Minerals (KFUPM)（法赫德国王石油与矿业大学） ； University of California at Merced（加州大学默塞德分校） 纠错

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

AI总结 针对平面内MRI超分辨率中效率与保真度的权衡问题，提出DRIFT框架，通过两阶段厚度条件整流流，利用解剖投影网络初始化，引入物理感知难度度量指导自适应积分调度器，降低推理成本并优于超分辨率基线。

Benchmarking MRI Representations for Deep Learning-Based Focal Cortical Dysplasia Segmentation

基于深度学习的局灶性皮质发育异常分割的MRI表征基准测试

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

机构 * The University of Queensland（昆士兰大学） ； I-MED Radiology（I-MED放射学） ； Bennett University（贝内特大学） ； Indian Institute of Technology Madras（印度马德拉斯理工学院） ； University College of Engineering, Osmania University（奥斯曼尼亚大学工程学院） ； Mater Hospital（玛特医院） ； Royal Brisbane and Women’s Hospital（皇家布里斯班和妇女医院） 纠错

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

AI总结 研究针对局灶性皮质发育异常分割，利用nnU-Net框架对MRI表征进行基准测试，评估多种输入配置，发现FLAIR单模态性能最强，比率衍生表征单独不足，多模态配置可提高病变描绘，强调MRI表征设计在深度学习分割中的重要性。

When Can Test-Time Adaptation Help Zero-Shot CT Vision-Language Models?

测试时自适应何时能帮助零样本CT视觉语言模型？

Ailar Mahdizadeh, Puria Azadi Moghadam, Xiangteng He, Leonid Sigal

机构 * University of British Columbia（英属哥伦比亚大学） ； Vector Institute（向量研究所） 纠错

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

AI总结 研究零样本3D CT视觉语言模型中测试时自适应（TTA）的作用，通过控制诊断分析表明其具有条件性，引入CARVE方法，在基础模型有判别力时能带来一致改进，确立多标签TTA问题及CARVE为基数感知解决方案。

Partial Information Decomposition as a Multi-Contrast 3D MRI Selection Strategy for Resource-Constrained Deep Neural Network Training in Brain Tumor Segmentation

部分信息分解作为一种多对比度3D MRI选择策略，用于脑肿瘤分割中资源受限的深度神经网络训练

Agamdeep Chopra, Mehmet Kurt

机构 * University of Washington（华盛顿大学） 纠错

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

AI总结 研究针对脑肿瘤分割中多对比度3D MRI分割计算量大的问题，采用部分信息分解框架对输入对排序选最优用于训练，实验表明该方法选出的T1c+T2-FLAIR是强双输入配置，证明了基于PID预训练选择的实用价值。

$K$-NeAS: Scalable Multi-Material CT Reconstruction Using Neural SDFs

K-NeAS：使用神经符号距离函数的可扩展多材料CT重建

Daksh K. Shah, Emmanouil Nikolakakis, Razvan V. Marinescu

机构 * University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校） 纠错

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

AI总结 研究针对CT电离辐射风险下的稀疏视图重建问题，提出K-NeAS架构，通过共享主干和K材料顺序软选择器建模多材料，用GMM自动界定衰减并减轻几何幻觉，在多数据集上实现任意材料数量的高保真重建及稀疏采样下的鲁棒性提升。

Comments 9 pages, 3 figures. Under peer review

TRACE-PCa: Predicting Prostate Cancer Progression from Longitudinal MRI During Active Surveillance

TRACE-PCa：在主动监测期间从纵向MRI预测前列腺癌进展

Hongye Zeng, Shreeram Athreya, Dingyuan Dai, Steve Raman, Leonard Marks, William Speier, Corey Arnold

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

AI总结 研究提出TRACE-PCa模型，无需病变分割，通过预训练3D MRI模型编码序列扫描，引入时间注意力门，融合临床变量，在纵向AS队列验证中表现出色，能减少不必要活检，有预测前列腺癌进展的潜力。

Comments 7 pages, 4 figures

Metadata Supervised MRI Representations for Modelling and Controlling Acquisition Variability

用于建模和控制采集变异性的元数据监督MRI表示

Mehmet Yigit Avci, Pedro Borges, Virginia Fernandez, Natalia Glazman, Paul Wright, Mehmet Yigitsoy, Sebastien Ourselin, Jorge Cardoso

机构 * University College London（伦敦大学学院） ； deepc GMBH（深度c有限公司） 纠错

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

AI总结 研究磁共振成像采集变异性问题，通过联合建模MRI图像与DICOM元数据分离变异源，学习到解纠缠表示，在此基础上引入统一协调模型，为采集感知表示学习奠定基础。

A Unified Framework for Comprehensive Cardiac CT Segmentation and Phenotyping: Human-in-the-Loop Data Annotation, Vision Foundation Model Development, Multicenter Evaluation and Clinical Validation

用于心脏CT综合分割与表型分析的统一框架：人在回路数据标注、视觉基础模型开发、多中心评估及临床验证

Pooya Mohammadi Kazaj, Leo Fridolin Weber, Wen Xie, Seyed Amir Ahmad Safavi-Naini, Anselm Stark, Giovanni Baj, Ali Mokhtari, Toshiya Yoshida, Christoph Ryffel, Taishi Okuno, Yoshihiro Akashi, Ronny R. Buechel, Thomas Pilgrim, Waldo Valenzuela, George C. M. Siontis, Xiaowei Xu, Moritz Hundertmark, Stephan Windecker, Christoph Grani, Isaac Shiri

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

AI总结 该研究提出统一框架用于心脏CT综合分割与表型分析，结合人在回路标注、增强技术与自监督预训练模型，组建大型数据集，在多数据集上表现优于开源工具，提高标注效率，推动心脏表型分析发展，还提供了可重复基础。

Design Choices in Splitting-Based Self-Supervised Sparse-View CT Reconstruction

基于分割的自监督稀疏视图CT重建中的设计选择

Nadja Gruber, Lukas Neumann, Ander Biguri, Gyeongha Hwang, Markus Haltmeier, Johannes Schwab

机构 * University of Innsbruck（因斯布鲁克大学） ； Institute of Basic Sciences in Engineering Science, University of Innsbruck（因斯布鲁克大学工程科学基础科学研究所） ； University of Cambridge（剑桥大学） ； Yeungnam University（岭南大学） ； University of Applied Sciences Kufstein（库夫施泰因应用科学大学） 纠错

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

AI总结 研究基于分割的自监督稀疏视图CT重建中关键设计选择的影响，引入统一框架分解重建为三组件，通过实验表明最优划分策略依赖噪声结构，多划分分割表现优，结果为方法设计提供指南并凸显独立性假设局限。

Comments 12 pages (main manuscript), 9 pages (supplementary material and figures)

Super-Generalist: Towards Comprehensive and Accurate Medical Image Understanding via Generalist-Specialist Synergy

超级通才：通过通才-专才协同实现全面准确的医学图像理解

Shaoteng Zhang, Weiwei Cao, Wanxing Chang, Yutong Xie, Kai Cao, Zaiyi Liu, Yu Shi, Tingbo Liang, Qi Zhang, Ling Zhang, Yong Xia, Jianpeng Zhang

机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hupan Lab（湖畔实验室） ； Department of Radiology, Ningbo No. 2 Hospital（宁波市第二医院放射科） ； Department of Radiology, Guangdong Provincial People’s Hospital（广东省人民医院放射科） ； Department of Radiology, Shanghai Institution of Pancreatic Disease（上海胰腺疾病研究所放射科） ； Department of Radiology, Shengjing Hospital of China Medical University（中国医科大学附属盛京医院放射科） ； The First Affiliated Hospital, Zhejiang University School of Medicine（浙江大学医学院附属第一医院） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 研究旨在通过通才-专才协同实现全面准确的医学图像理解。提出SuG框架，整合多分割专家空间先验进行视觉-语言对齐，利用病变掩码校准注意力。在多CT基准测试中评估，其在疾病诊断任务中性能领先，超越专才模型，有强大病变定位能力。

CT-CLIP Representations for Multimodal Lung Cancer Survival Prediction

用于多模态肺癌生存预测的CT-CLIP表示

Sofie Allgöwer, Mikael Johansson, Andreas Hallqvist, Jonas Andersson, Åse Johnsson, Ida Häggström, Jennifer Alvén

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； Umeå University（于默奥大学） ； Sahlgrenska University Hospital（萨尔格伦斯卡大学医院） ； Sahlgrenska Academy at Gothenburg University（哥德堡大学萨尔格伦斯卡学院） 纠错

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

AI总结 研究评估特定领域基础模型CT-CLIP用于肺癌多模态生存预测，通过多种策略提取特征，结果显示冻结的CT-CLIP模型结合可训练生存头表现出色，能有效区分高低风险组。

Comments 8 pages, 2 figures

PhyMRI-SR: Toward Physics-Aware MRI Image Super-Resolution

PhyMRI-SR：迈向基于物理感知的MRI图像超分辨率

Lihua Wei, Huatong Gao, Jia Gong, Zhiyu Tan, Hao Li, Jun Liu, Zhihua Ren

机构 * School of Biomedical Engineering, ShanghaiTech University（上海科技大学生物医学工程学院） ； Shanghai Academy of AI for Science（上海人工智能研究院） ； Fudan University（复旦大学） ； School of Computing and Communications, Lancaster University（兰卡斯特大学计算与通信学院） ； School of Biomedical Engineering & State Key Laboratory of Advanced Medical Materials and Devices, ShanghaiTech University（上海科技大学生物医学工程学院与先进医学材料与器械国家重点实验室） ； Shanghai Clinical Research and Trial Center（上海临床研究与试验中心） 纠错

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

AI总结 研究旨在解决MRI图像超分辨率问题，将其视为物理感知重建问题。核心方法是采用2D高斯点渲染并引入三项创新，包括先验感知高斯表示、物理约束信号建模和元学习框架。主要贡献是在动态分辨率数据集和标准基准上实现领先性能，有临床部署潜力。

Comments Project Page: https://bio-med-i2-lab.github.io/projects/PhyMRI-SR

Patient-Specific Articulated Digital Twins from a Single Full-Body CT Scan

患者特异性关节式数字孪生：基于单次全身CT扫描

Han Zhang, Boyang Zhao, Mathias Unberath

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 提出从单次全身CT扫描构建患者特异性关节式数字孪生的方法，通过SMPL模型拟合、解剖感知绑定和姿态重定向，实现姿态可控的解剖模型，验证了其在保持骨骼几何和放射学结构方面的有效性。

ProSAC-CT: Progressive Spectral-Anatomical Co-Guided Multi-Stage Diffusion Model for Low-Dose CT Denoising

ProSAC-CT: 渐进式频谱-解剖协同引导的多阶段扩散模型用于低剂量CT去噪

Xuepeng Liu, Zetong Liu, Renyiming Li, Yan Li, Ruiyu Li, Ruili Li, Jiayi Ding, Eichi Takaya

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） ； State Key Laboratory of Oncology in South China, Sun Yat-sen University Cancer Center（华南肿瘤学国家重点实验室，中山大学肿瘤防治中心） ； AI Lab, Tohoku University Hospital（东北大学医院人工智能实验室） 纠错

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

AI总结 提出ProSAC-CT，一种渐进式频谱-解剖协同引导的多阶段扩散模型，通过解剖先验引导、残差频域解耦和时间步解耦解码器，有效去除低剂量CT噪声并保留解剖细节。

Comments 14 pages, 8 figures, 3 tables

Closed-loop coupling of personalised and foundation models for real-time treatment guidance with MRI

个性化模型与基础模型的闭环耦合用于MRI实时治疗引导

James Grover, Emily A. Hewson, Andrew Phair, Michael Ferraro, Hilary L. Byrne, Paul Keall, Michael G. Jameson, David E. J. Waddington

机构 * Image X Institute, Sydney School of Health Sciences, Faculty of Medicine and Health, The University of Sydney, Sydney, Australia（悉尼大学医学与健康学院悉尼健康科学学院Image X研究所，悉尼，澳大利亚） ； GenesisCare, Sydney, Australia（GenesisCare，悉尼，澳大利亚） ； School of Clinical Medicine, Medicine & Health, University of New South Wales, Sydney, Australia（新南威尔士大学医学与健康学院临床医学系，悉尼，澳大利亚） ； Centre for Medical Radiation Physics, School of Mathematics and Physics, University of Wollongong, Wollongong, Australia（伍伦贡大学数学与物理学院医学辐射物理中心，伍伦贡，澳大利亚） 纠错

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

AI总结 提出一种闭环耦合框架，结合个性化时间预测模型与基础模型的连续分割解剖解释，实时补偿MRI引导治疗中的成像延迟，在400毫秒预测范围内改善解剖预测并减少剂量误差。

Comments 18 pages, 8 figures, 2 supplementary figures

PSCT-Net: Geometry-Aware Pediatric Skull CT Reconstruction via Differentiable Back-Projection and Attention-Guided Refinement

PSCT-Net: 通过可微反投影和注意力引导细化实现几何感知的儿科颅骨CT重建

Dong Yeong Kim, Jaewon Choi, Youmin Shin, JunGyu Lee, Myeongseop Kim, Jinwook Choi, Joo Whan Kim, Young-Gon Kim

机构 * Interdisciplinary Program in Bioengineering, Seoul National University（首尔大学生物工程跨学科项目） ； Department of Transdisciplinary Medicine, Seoul National University Hospital（首尔大学医院跨学科医学系） ； Department of Artificial Intelligence, Yonsei University（延世大学人工智能系） ； Department of Medicine, Seoul National University College of Medicine（首尔大学医学院医学系） ； 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 ：CT(title,title_cn)；分类 cs.CV

AI总结 提出PSCT-Net，利用可微反投影建立空间先验，结合注意力引导投影和双向Mamba模块，从稀疏双平面X射线重建3D CT，缓解深度模糊并改善骨边界。

Comments 11pages, 5 figures

Compression-Driven Anomaly Detection in Brain MRI Using an Interpretable Quantum Autoencoder

基于可解释量子自编码器的脑MRI压缩驱动异常检测

Santanu Ganguly, Xing Liang, Dimitrios Makris

机构 * Kingston University（金史密斯大学） ； Quantum AI (QAI) Research Group（量子人工智能研究组） ； School of Computer Science and Mathematics (CSM)（计算机科学与数学学院） ； Faculty of Engineering, Computing and the Environment (ECE)（工程、计算与环境学院） 纠错

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

AI总结 提出一种量子自编码器（QAE），利用角度编码和变分编码器-解码器架构，通过压缩异常检测脑MRI中的肿瘤区域，在切片级和块级ROC-AUC上分别达到约0.95和0.813，优于经典自编码器和PCA基线。

MRI2Rep: Autoregressive Structured Report Generation for 3D Liver MRI

MRI2Rep：3D肝脏MRI的自回归结构化报告生成

Xinran Li, Junlin Yang, Annabella Shewarega, Zongwei Zhou, Julius Chapiro, James S. Duncan, Lawrence H. Staib

机构 * Department of Biomedical Engineering（生物医学工程系） ； Department of Radiology & Biomedical Imaging（放射学与生物医学影像系） ； Department of Electrical Engineering（电气工程系） ； Yale University（耶鲁大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Johns Hopkins Medicine（约翰霍普金斯医学） 纠错

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

AI总结 提出MRI2Rep自回归框架，通过报告到标签规范化模块将自由文本转换为结构化诊断序列，实现3D肝脏MRI的端到端结构化报告生成，在真实数据集上优于基线方法。

Comments MICCAI 2026