医学 AI

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。

Task-Aligned Self-Supervised Learning for Medical Image Analysis: A Task-Oriented Review with Practical Design Guidelines

任务对齐的自监督学习在医学图像分析中的应用：系统综述与实践设计指南

Chathura Wimalasiri, Yuchong Yao, Kishor Nandakishor, Marimuthu Palaniswami

机构 * Department of Electrical and Electronic Engineering, University of Melbourne（墨尔本大学电子与电气工程系） 纠错

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

AI总结 本文系统综述了医学图像中自监督学习（SSL）的四种范式（对比、非对比与预测、生成与重建、混合），分析了前置任务与下游任务的对齐对性能的影响，并提出了实践设计指南。

Comments This manuscript is 25 pages

Atlas is Your Perfect Context: One-Shot Customization for Generalizable Foundational Medical Image Segmentation

图谱是理想上下文：用于可泛化基础医学图像分割的一次性定制

Ziyu Zhang, Yi Yu, Simeng Zhu, Ahmed Aly, Yunhe Gao, Ning Gu, Yuan Xue

机构 * Nanjing University（南京大学） ； The Ohio State University（俄亥俄州立大学） ； Stanford University（斯坦福大学） 纠错

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

AI总结 研究医学图像中解剖结构分割问题，提出图谱引导框架AtlasSegFM，通过图谱查询配准生成提示，用冻结基础模型细化分割，经自适应融合模块结合图谱先验与模型输入及预测，实现一次性定制。

Comments ECCV 2026

Causal Transfer in Medical Image Analysis

医学图像分析中的因果迁移

Mohammed M. Abdelsamea, Daniel Tweneboah Anyimadu, Tasneem Selim, Saif Alzubi, Lei Zhang, Ahmed Karam Eldaly, Xujiong Ye

机构 * University of Waterloo（滑铁卢大学） 纠错

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

AI总结 本文探讨了医学图像分析中因果迁移方法，整合因果推理与跨域表示学习，以解决领域偏移问题，提升临床AI的鲁棒性和泛化能力。

SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation

SegMoTE: 用于医学图像分割的令牌级混合专家模型

Yujie Lu, Jingwen Li, Sibo Ju, Yanzhou Su, he yao, Yisong Liu, Min Zhu, Junlong Cheng

机构 * Sichuan University（四川大学） ； Xinjiang University（新疆大学） ； Fuzhou University（福州大学） ； Alibaba DAMO Academy（阿里巴巴 DAMO 院） 纠错

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

AI总结 提出SegMoTE框架，通过令牌级混合专家机制和渐进式提示令牌化，在极低标注成本下实现医学图像分割的跨模态自适应与SOTA性能。

Moment kernels: a simple and scalable approach for equivariance to rotations and reflections in deep convolutional networks

矩核：深度卷积网络中应对旋转与反射等变的简单可扩展方法

Siqi Fang, Zachary Schlamowitz, Andrew Bennecke, Daniel J. Tward

机构 * Department of Computational Medicine University of California, Los Angeles（计算医学系 加州大学洛杉矶分校） 纠错

专题命中 医学影像 ：MRI(abstract,abstract_cn)；medical image(abstract)；biomedical(abstract)；分类 cs.CV、cs.LG

AI总结 本文提出矩核，一种简单可扩展的正交变换等变卷积核，在生物医学图像任务中提升方向一致性，避免群卷积的方向通道扩展，适配标准CNN工作流程。

Asynchronous Federated Continual Segmentation with Evolving Clients and Label Spaces

具有不断变化的客户端和标签空间的异步联邦持续分割

Can Peng, Qianhui Men, Pramit Saha, Qianye Yang, Yingyu Yang, Shuwei Xing, Cheng Ouyang, J. Alison Noble

机构 * University of Oxford（牛津大学） ； University of Bristol（布里斯托大学） 纠错

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

AI总结 研究现实中联邦学习客户端组成和标签空间会变化的问题，提出CA-MMDS框架，通过基于代理的蒸馏更新全局模型，减少通信和计算成本，以多类3D腹部CT分割任务验证其能有效整合客户端知识并获良好分割性能。

InfiltrNet: Dual-Branch CNN-Transformer Architecture for Brain Tumor Infiltration Risk Prediction

InfiltrNet: 用于脑肿瘤浸润风险预测的双分支CNN-Transformer架构

S M Asif Hossain, Shruti Kshirsagar

机构 * School of Computing, Wichita State University（维斯科萨大学计算学院） 纠错

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

AI总结 提出InfiltrNet，结合CNN和Swin Transformer编码器及交叉注意力融合模块，从多模态MRI预测三区浸润风险图，利用距离变换生成标签，在BraTS数据集上优于五个基线模型。

Comments This work will be extended for a future journal submission

A New k-Space Model for Non-Cartesian Fourier Imaging

一种用于非笛卡尔傅里叶成像的新k空间模型

Chin-Cheng Chan, Justin P. Haldar

机构 * USC Center for Advanced Research Computing（USC高级研究计算中心） ； Signal and Image Processing Institute（信号与图像处理研究所） 纠错

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

AI总结 针对传统基于体素的傅里叶成像模型计算成本高、收敛慢且易产生伪影的问题，提出一种基于傅里叶域基展开的新模型，在非笛卡尔MRI重建中实现更优图像质量和更低计算复杂度。

MCR-VQGAN: A Scalable and Cost-Effective Tau PET Synthesis Approach for Alzheimer's Disease Imaging

MCR-VQGAN：一种用于阿尔茨海默病成像的可扩展且经济高效的Tau PET合成方法

Jin Young Kim, Jeremy Hudson, Jeongchul Kim, Qing Lyu, Christopher T. Whitlow

机构 * Department of Biomedical Engineering, Wake Forest University School of Medicine（生物医学工程系，威克森林大学医学院） ； Department of Radiology, Wake Forest School of Medicine（放射学系，威克森林医学院） ； Department of Radiology and Biomedical Imaging, Yale School of Medicine（放射学与生物医学成像系，耶鲁医学院） 纠错

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

AI总结 提出MCR-VQGAN模型，通过多尺度卷积、ResNet块和CBAM模块改进VQGAN，从T1加权MRI合成高保真tau PET图像，在ADNI数据集上优于cGAN等方法，且合成图像保留诊断特征，区域SUVR等效分析显示与真实图像高度一致。

Comments Accepted for publication in IEEE Access. 14 pages, 5 figures, 8 tables

OCSVM-Guided Representation Learning for Unsupervised Anomaly Detection

OCSVM引导的无监督异常检测表示学习

Nicolas Pinon, Robin Trombetta, Carole Lartizien

机构 * Univ. Lyon（里昂大学） ； CNRS UMR 5220（国家科学研究中心UMR 5220） ； Inserm U1294（法国国家医学研究院U1294） ； INSA Lyon（里昂国立应用科学学院） ； UCBL（里昂大学） ； CREATIS（里昂大学生物医学图像研究中心） 纠错

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

AI总结 提出一种将表示学习与可解析求解的一类SVM耦合的方法，通过定制损失函数直接对齐潜在特征与决策边界，在MNIST-C和脑MRI病变检测任务上展现了鲁棒性和性能。

Navigating Distribution Shifts in Medical Image Analysis: A Survey

医学图像分析中的分布偏移导航：综述

Zixian Su, Jingwei Guo, Xi Yang, Qiufeng Wang, Frans Coenen, Amir Hussain, Kaizhu Huang

机构 * Life Simulation Research Center, Beijing Academy of Artificial Intelligence（北京人工智能生命模拟研究中心） ； Electrical and Mathematical Sciences and Engineering Division, King Abdullah University of Science and Technology（王国阿卜杜勒·阿齐兹国王科技大学电气与数学科学与工程系） ； Department of Intelligent Science, School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学先进科技学院智能科学系） ； Computer Science, School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学学院） ； SDAIA-KFUPM Joint Research Centre for Artificial Intelligence, King Fahd University of Petroleum and Minerals（法赫德石油与矿物大学人工智能SDAIA-KFUPM联合研究中心） ； Nuffield Department of Primary Care Health Sciences, University of Oxford（牛津大学初级保健健康科学努尔菲尔德部门） 纠错

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

AI总结 本文系统综述了应对医学图像分析中分布偏移的深度学习方法，按临床约束分类为联合训练、联邦学习、微调和域泛化，并揭示方法从显式对齐向不确定性建模的转变。

Tree-NET: Enhancing 2D Medical Image Segmentation Through Efficient Low-Level Feature Training

Tree-NET：通过高效低级特征训练增强二维医学图像分割

Orhan Demirci, Bulent Yilmaz

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

AI总结 本文提出新型医学图像分割框架Tree-NET，采用双瓶颈监督的三组件架构，可降低计算开销，在皮肤病变、息肉分割任务上提升效率且保持精度，表现优于或匹配基线模型。

Comments This manuscript is 24 pages long, includes 10 figures and 4 tables, and presents a novel framework for medical image segmentation. It has been accepted from Neural Computing and Applications journal

Flow-Based Generative Modeling for Optimizing Sampling Policies in Compressed Sensing Applications

基于流的生成建模优化压缩感知应用中的采样策略

Roman Pavelkin, Luis A. Zavala-Mondragon, Christiaan G. A. Viviers, Fons van der Sommen

机构 * Eindhoven University of Technology（埃因霍温理工大学） 纠错

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

AI总结 提出一种任务感知的基于流的生成框架，通过训练流模型优化压缩感知中的子采样掩码，显著提升图像分类、重建和MRI加速的性能。

Ultrasound Tomography of Musculoskeletal Tissues with Generative Neural Physics

生成式神经物理实现组织力学的定量体积超声成像

Zhijun Zeng, Youjia Zheng, Chang Su, Qianhang Wu, Hao Hu, Zeyuan Dong, Yang Lv, Ligang Cui, Zhiyong Hou, Weijun Lin, Zuoqiang Shi, Yubing Li, He Sun

机构 * College of Future Technology, Peking University（未来技术学院，北京大学） ； National Biomedical Imaging Center, Peking University（北京大学国家生物医学成像中心） ； Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系） ； School of Physical Sciences, University of Chinese Academy of Sciences（中国科学院大学物理科学学院） ； School of EECE, University of Chinese Academy of Sciences（中国科学院大学电子工程与计算机科学学院） ； Department of Orthopedics, Peking University Third Hospital（北京大学第三医院骨科部） ； Department of Ultrasound, Peking University Third Hospital（北京大学第三医院超声科） ； Department of Orthopaedic Surgery, The Third Hospital of Hebei Medical University（河北医科大学第三医院骨科部） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学姚期智数学科学中心） ； Yanqi Lake Beijing Institute of Mathematical Sciences and Applications（北京燕琦湖数学科学与应用研究院） 纠错

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

AI总结 该研究提出生成式神经物理框架，结合生成网络与物理信息神经模拟，实现了快速高保真三维超声断层成像，可在十分钟内重建组织参数三维图谱，分辨率媲美MRI，推动定量超声断层成像用于肌肉骨骼成像的临床应用。

Harmonizing MR Images Across 100+ Scanners: Multi-site Validation with Traveling Subjects and Real-world Protocols

在100多台扫描仪上同步MRI图像：多中心验证与旅行受试者及真实世界协议

Savannah P. Hays, Lianrui Zuo, Muhammad Faizyab Ali Chaudhary, Kathleen M. Bartz, Samuel W. Remedios, Jinwei Zhang, Jiachen Zhuo, Murat Bilgel, Shiv Saidha, Carolyn Koch, Sandra D. Cassard, Ellen M. Mowry, Scott D. Newsome, Jerry L. Prince, Blake E. Dewey, Aaron Carass

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

AI总结 本文提出HACA3+算法，通过改进的去噪编码器、背景和前景敏感注意力机制以及100+扫描仪数据训练，提升多中心MRI图像同步的鲁棒性和通用性，通过旅行受试者实验和全脑分割验证其有效性。

Comments MIDL Validation Track 2026

OsteoFlow: Lyapunov-Guided Flow Distillation for Predicting Bone Remodeling after Mandibular Reconstruction

OsteoFlow: 基于Lyapunov引导的流式蒸馏用于预测下颌重建后的骨重塑

Hamidreza Aftabi, Faye Yu, Brooke Switzer, Zachary Fishman, Eitan Prisman, Antony Hodgson, Cari Whyne, Sidney Fels, Michael Hardisty

机构 * Department of Electrical and Computer Engineering, University of British Columbia, Canada（电气与计算机工程系，不列颠哥伦比亚大学，加拿大） ； Department of Mechanical Engineering, University of British Columbia, Canada（机械工程系，不列颠哥伦比亚大学，加拿大） ； Department of Surgery, University of British Columbia, Canada（外科系，不列颠哥伦比亚大学，加拿大） ； Sunnybrook Research Institute, University of Toronto, Canada（阳光医院研究学院，多伦多大学，加拿大） 纠错

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

AI总结 OsteoFlow通过Lyapunov引导的轨迹蒸馏方法，从术后第5天的CT扫描预测第1年的骨重塑，显著提升了预测精度，减少了手术切除区的平均绝对误差。

The K-Space Signature: Frequency-Domain Representation Learning for Medical Deepfake Detection

K空间特征：用于医学深度伪造检测的频域表示学习

Riccardo Raciti, Francesco Guarnera, Francesco Rundo, Luca Guarnera, Sebastiano Battiato

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

AI总结 针对医学深度伪造威胁，提出KSS取证框架，结合3D MLP-Mixer与ArcFace头，在多中心3D MRI数据集上检测准确率超0.99，零样本泛化至未见过的扫描仪数据集，准确率达0.93。

Learning Sparse Latent Predictive Foundation Model for Multimodal Neuroimaging

学习用于多模态神经影像的稀疏潜在预测基础模型

Haoxu Huang, Long Chen, Jingyun Chen, Jinu Hyun, James Ryan Loftus, Kara Melmed, Daniel Orringer, Jennifer Frontera, Seena Dehkharghani, Arjun Masurkar, Narges Razavian

机构 * New York University, Center for Data Science（纽约大学数据科学中心） ； NYU Grossman School of Medicine, Department of Radiology（纽约大学格罗斯曼医学院放射学系） ； State University of New York at Binghamton, School of Computing（纽约州立大学宾汉姆顿分校计算机学院） ； NYU Grossman School of Medicine, Department of Neurology（纽约大学格罗斯曼医学院神经病学系） ； NYU Grossman School of Medicine, Department of Neurosurgery（纽约大学格罗斯曼医学院神经外科学系） ； NYU Grossman School of Medicine, Department of Pathology（纽约大学格罗斯曼医学院病理学系） ； School of Medicine, Department of Radiology, Stanford（斯坦福大学医学院放射学系） ； NYU Grossman School of Medicine, Department of Neuroscience（纽约大学格罗斯曼医学院神经科学系） ； NYU Grossman School of Medicine, Neuroscience Institute（纽约大学格罗斯曼医学院神经科学研究所） 纠错

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

AI总结 提出Neuro-JEPA模型，结合潜在预测目标和专家混合架构，学习T1w、T2w和FLAIR三种MRI序列的统一表示，在25项临床任务和22项公开数据集任务上优于现有基础模型和CNN基线。

Comments Under Review Preprint

Prior-Guided Frequency-Calibrated Virtual EEG Channel Inference from Four Frontal Electrodes for Wearable EEG Augmentation

用于可穿戴脑电图增强的鲁棒频率校准虚拟脑电通道生成：来自四个额叶电极

Minghao Xiao

机构 * School of Biomedical Science and Engineering, South China University of Technology（生物医学工程学院，华南理工大学） ； School of Automation Science and Engineering, South China University of Technology（自动化科学与工程学院，华南理工大学） 纠错

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

AI总结 提出FAVC-Net网络，通过频率校准从四个额叶电极生成13个未测量通道，联合优化波形保真度、频谱分配和鲁棒性，在PRED+CT数据集上实现最佳波形-频谱性能。

Comments 19 pages, 4 figures

Active View Selection with Perturbed Gaussian Ensemble for Tomographic Reconstruction

基于扰动高斯集成的主动视角选择用于层析重建

Yulun Wu, Ruyi Zha, Wei Cao, Yingying Li, Yuanhao Cai, Yaoyao Liu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Australian National University（澳大利亚国立大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 针对稀疏视角CT重建中视角选择问题，提出扰动高斯集成框架，通过不确定性建模和密度引导扰动选择最优视角，有效消除几何伪影。

Comments Accepted to ECCV 2026. Project page: https://perturbed-gaussian-ensemble.cvmlgroup.web.illinois.edu/

BREIT: A Framework for Brain Stroke Reconstruction using Multi-Frequency 3D EIT

BREIT：一种基于多频三维EIT的脑卒中重建框架

Djahid Abdelmoumene, Ishak Ayad, Maï K. Nguyen, Christian Daveau

机构 * ETIS (UMR 8051), CY Cergy Paris University, ENSEA, CNRS（ETIS（UMR 8051），CY塞尔吉-巴黎大学，ENSEA，法国国家科学研究中心） ； AGM (UMR 8088), CY Cergy Paris University, CNRS（AGM（UMR 8088），CY塞尔吉-巴黎大学，法国国家科学研究中心） ； Paris-Saclay University, CentraleSupélec, Inria, CVN（巴黎-萨克雷大学，中央理工-高等电力学院，法国国家信息与自动化研究所，CVN） 纠错

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

AI总结 提出BREIT框架，包含神经影像到EIT的转换、3D完整电极模型正问题求解器和3D D-bar实现，并基于此提出dFNO-bar方法，通过傅里叶神经算子学习散射数据到电导率的映射，在合成数据上取得更高脑SSIM。

SHMoAReg: Spark Deformable Image Registration via Spatial Heterogeneous Mixture of Experts and Attention Heads

SHMoAReg: 通过空间异构专家混合和注意力头实现的可变形图像配准

Yuxi Zheng, Jianhui Feng, Tianran Li, Marius Staring, Yuchuan Qiao

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

AI总结 提出SHMoAReg，在编码器中使用混合注意力头(MoA)动态选择最优注意力头组合，在解码器中使用空间异构专家混合(SHMoE)为每个体素在不同方向上异构预测变形场，在腹部CT数据集上Dice分数从60.58%提升至65.58%，并增强了模型可解释性。

Benchmarking Deep Learning Models for Laryngeal Cancer Staging Using the LaryngealCT Dataset

使用LaryngealCT数据集对喉癌分期深度学习模型进行基准测试

Nivea Roy, Son Tran, Atul Sajjanhar, K. Devaraja, Prakashini Koteshwara, Yong Xiang, Divya Rao

机构 * School of Information Technology, Deakin University（德肯大学信息科技学院） ； Department of Head and Neck Surgery, Kasturba Medical College, Manipal Academy of Higher Education（曼谷医学院头颈外科部门，曼谷高等教育学院） ； Department of Radiodiagnosis and Imaging, Kasturba Medical College, Manipal Academy of Higher Education（曼谷医学院放射诊断与影像部门，曼谷高等教育学院） ； Manipal Institute of Technology, Manipal Academy of Higher Education（曼谷技术学院，曼谷高等教育学院） 纠错

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

AI总结 提出LaryngealCT数据集，包含1029例CT扫描，用于喉癌早期/晚期和T4/非T4分类，3D CNN在早期vs晚期分类中表现最佳（准确率0.854，F1-macro 0.841）。

D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities

D3Seg: 依赖感知的扩散模型用于缺失模态的脑肿瘤分割

Danish Ali, Ajmal Mian, Naveed Akhtar, Ghulam Mubashar Hassan

机构 * The University of Western Australia（西澳大学） ； The University of Melbourne（墨尔本大学） 纠错

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

AI总结 本文提出D3Seg模型，通过多跳模态图融合、轻量扩散插补机制和概率空间决策细化，解决缺失MRI模态下的脑肿瘤分割问题，提升分割性能并保持计算效率。

Render-FM: Feedforward Model for Real-time Photorealistic Volumetric Rendering

Render-FM: 用于实时逼真体积渲染的前馈模型

Zhongpai Gao, Benjamin Planche, Meng Zheng, Anwesa Choudhuri, Van Nguyen Nguyen, Terrence Chen, Ziyan Wu

机构 * United Imaging Intelligence（联合影像智能） 纠错

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

AI总结 提出Render-FM前馈模型，直接从CT体积回归6D高斯溅射参数，实现2.8秒实时渲染，速度提升500倍，并引入解剖引导初始化提升医学图像渲染质量。

Comments Accepted by ECCV 2026

EQPO: Equitable Group Relative Policy Optimization for Clinical Reasoning

EQPO: 面向临床推理的公平群体相对策略优化

Shiqi Dai, Wei Dai, Jiaee Cheong, Paul Pu Liang

机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） 纠错

专题命中 医学影像 ：CT(abstract,abstract_cn)；medical AI(abstract)；diagnosis(abstract)；分类 cs.LG

AI总结 提出EQPO分层强化学习方法，通过自适应重加权样本促进异质临床人群的均衡学习，在7个诊断基准上降低F1标准差43.9%，缩小预测公平差距27.2%。

Comments Accepted as Oral on NeurIPS 2025 GenAI4Health Workshop

Realistic noise synthesis reduces bias and improves tissue microstructure estimation with supervised machine learning

真实噪声合成减少偏差并改善有监督机器学习的组织微结构估计

Bradley G. Karat, Maëliss Jallais, Ali R. Khan, Santiago Aja-Fernández, Jelle Veraart, Marco Palombo

机构 * Robarts Research Institute, Schulich School of Medicine and Dentistry, The University of Western Ontario（罗巴茨研究所在，施密特医学与牙科学院，温哥华大学） ； Center for Biomedical Imaging, Department of Radiology, NYU Grossman School of Medicine（生物医学成像中心，放射科，纽约大学格罗斯曼医学院） ； Cardiff University Brain Research Imaging Center (CUBRIC), School of Psychology, Cardiff University（卡迪夫大学脑研究成像中心（CUBRIC），心理学学院，卡迪夫大学） ； School of Computer Science and Informatics, Cardiff University（计算机科学与信息学院，卡迪夫大学） ； Laboratorio de Procesado de Imagen, Universidad de Valladolid（图像处理实验室，瓦尔达利德大学） ； Instituto de Investigación Biosanitaria de Valladolid, IBioVALL（瓦尔达利德生物医学研究所，IBioVALL） 纠错

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

AI总结 针对扩散MRI中模拟与实测信号噪声不匹配导致的协变量偏移问题，提出真实噪声合成框架，通过引入Rician期望和有效后处理噪声方差，显著降低参数估计偏差并提高精度。

Comments * Shared first author