医学 AI

Multi-LLM Collaborative MRI Report Generation for Visual Instruction Tuning in Brain Oncology

用于脑肿瘤视觉指令微调的多语言模型协作式MRI报告生成

Sinyoung Ra, Jonghun Kim, Hyunjin Park

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

AI总结 针对脑肿瘤缺乏配对3D成像 - 文本数据问题，提出用多语言模型协作创建3D图像 - 文本数据集，构建VLM将MRI扫描转换为令牌并与文本指令对齐，该方法在报告生成等任务中表现优于其他方法，有助于脑肿瘤诊断治疗。

MonteRET: AI Agent Enhancing Multimodal LLMs with Multi-granularity Knowledge Retrieval for Chest CT Report Generation

MonteRET：通过多粒度知识检索增强多模态大语言模型以生成胸部CT报告的人工智能代理

Yi Lin, Yihao Ding, Elana Benishay, Elefterios Trikantzopoulos, David Nauheim, Hanley Ong, Jiang Bian, Hua Xu, Yuzhe Yang, George Shih, Yifan Peng

机构 * Weill Cornell Medicine（威尔康乃尔医学院） ； University of Western Australia（西澳大利亚大学） ； Indiana University（印第安纳大学） ； Regenstrief Institute（瑞根斯特里夫研究所） ； Yale University（耶鲁大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 研究针对自动生成胸部CT报告的挑战，提出MonteRET框架，它整合多种特征，通过知识检索和报告重写代理完善报告。经训练和评估，该框架在多方面提升了报告质量，相比其他方法有显著优势，获放射科住院医师青睐。

Anatomy-Privileged Distillation with Token Routing for MRI-Based Prediction of Perineural Invasion

基于令牌路由的解剖学特权蒸馏用于基于MRI的神经周围侵犯预测

Hyunsu Go, Youngung Han, Kyeonghun Kim, Junga Kim, Dohyun Kweon, Jinyong Jun, Sungha Park, Anna Jung, Induk Um, Yului Jeong, Suah Park, Jina Jeong, Pa Hong, Woo Kyoung Jeong, Won Jae Lee, Ken Ying-Kai Liao, Hyuk-Jae Lee, Nam-Joon Kim

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

AI总结 针对肝内胆管癌PNI预测，提出解剖学特权师生框架，训练时教师用带掩码MRI学习令牌路由，学生提炼指导，该方法在155名患者中表现良好，实现较高AUROC，且推理无需掩码，计算量和时间合理。

Policy-Driven CT-Agent: Modeling Phase-Aware Diagnostic Control for Clinically Consistent CT Reasoning

策略驱动的CT智能体：为临床一致的CT推理建模阶段感知诊断控制

Yanmeng Dong, Han Li, Yujia Li, Jingsong Liu, Xun Ma, Yanzhu Hu, Zhengyang Xu, Zhicheng Li, Nassir Navab, Shaohua Kevin Zhou

机构 * University of Science and Technology of China（中国科学技术大学） ； Technical University of Munich（慕尼黑工业大学） 纠错

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

AI总结 研究针对CT诊断阶段选择协议差异及现有方法局限，提出策略驱动的CT智能体（PD-CTAgent）。通过临床结构抽象模块和知识引导诊断控制模型，实现阶段感知诊断推理，实验验证其在多数据集上的有效性与临床一致性。

Comments 8 pages, 4 figures

AA-ViT: Anatomically Aware Vision Transformer with Structural and Frequency Guidance for Contrast Enhanced Brain MRI Synthesis

AA-ViT：用于对比增强脑MRI合成的具有结构和频率引导的解剖学感知视觉变换器

Talha Meraj, Tom Flannery, Charlie Cummins, Matt Townend, Thomas C Booth, Peter Crossley, Michael McCann, Ian Overton, Saritha Unnikrishnan

机构 * Atlantic Technological University（大西洋理工大学） ； Belfast Health and Social Care Trust（贝尔法斯特健康和社会关怀信托基金） ； King’s College Hospital NHS Foundation Trust（国王学院医院国民保健服务信托基金） ； King’s College London（伦敦国王学院） ； Queen’s University Belfast（贝尔法斯特女王大学） 纠错

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

AI总结 研究旨在开发准确无创的CEMRI合成方法，提出解剖学感知的频率和结构引导视觉变换器（AA-ViT），利用对比前MRI模态合成CEMRI。实验表明该方法能保留边界，临床评估获高分，可降低成本等，为CEMRI合成提供新途径。

Comments Accepted for Publication in MIUA 2026 proceedings

Jolia: Concept-Level Vision-Language Alignment for 3D CT Contrastive Learning

Jolia: 用于3D CT对比学习的概念级视觉-语言对齐

Julien Khlaut, Charles Corbière, Baptiste Callard, Amaury Prat, Leo Butsanets, Antoine Saporta, Théo Danielou, Leo Machado, Korentin Le Floch, Tom Boeken, Pierre Manceron, Corentin Dancette

机构 * Raidium ； Department of Vascular and Oncological Interventional Radiology, Hôpital Européen Georges Pompidou, AP-HP（欧洲乔治·蓬皮杜医院血管与肿瘤介入放射科，AP-HP） ； Faculté de Santé, Université Paris-Cité（巴黎西岱大学健康学院） ； HEKA, INRIA（HEKA，法国国家信息与自动化研究所） ； Imaging Department, Fondation Ophtalmologique Adolphe de Rothschild（阿道夫·罗斯柴尔德眼科基金会影像科） 纠错

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

AI总结 提出ConQuer方法，通过概念查询将报告拆分为特定概念部分，学习交叉注意力查询以匹配图像特征，实现概念级对齐，在胸部与腹部CT上训练的Jolia模型在多项任务中超越CLIP基线。

Lost in Volume: The CT-SpatialVQA Benchmark for Evaluating Semantic-Spatial Understanding of 3D Medical Vision-Language Models

迷失于体积：CT-SpatialVQA基准用于评估3D医学视觉-语言模型的语义-空间理解

Mashrafi Monon, Umaima Rahman, Asif Hanif, Numan Saeed, Mohammad Yaqub

机构 * Mohamed Bin Zayed University of Artificial Intelligence（莫扎德人工智能大学） ； New York University Abu Dhabi（纽约大学阿布扎克分校） 纠错

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

AI总结 本文提出CT-SpatialVQA基准，评估3D医学视觉-语言模型对3DCT数据的语义-空间理解能力，发现现有模型在语义-空间推理任务中表现不佳，需更深入整合体积证据以确保临床可靠性。

Training-Free Zero-Shot Anomaly Detection in 3D Brain MRI with 2D Foundation Models

无需训练的3D脑部MRI中零样本异常检测

Tai Le-Gia, Jaehyun Ahn

机构 * Department of Mathematics, Chungnam National University（Chungnam国立大学数学系） 纠错

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

AI总结 本文提出无需训练的3D脑部MRI零样本异常检测框架，通过聚合多轴切片的2D基础模型生成局部体积标记，恢复立方空间上下文并直接整合距离基异常检测流程，提供高效的3D表示。

Comments Accepted for MIDL 2026

Journal ref Tai Le Gia, Jaehyun Ahn Proceedings of The 9th International Conference on Medical Imaging with Deep Learning, PMLR 315:3069-3088, 2026

Structured Spectral Graph Representation Learning for Multi-label Abnormality Analysis from 3D CT Scans

结构化谱图表示学习用于3D CT扫描的多标签异常分析

Theo Di Piazza, Carole Lazarus, Olivier Nempont, Loic Boussel

机构 * INSA Lyon, University of Lyon, CNRS, INSERM, CREATIS UMR 5220, U1294（里昂国立应用科学学院、里昂大学、国家科学研究中心、法国国家医学研究院、CREATIS UMR 5220、U1294） 纠错

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

AI总结 提出一种基于谱图卷积的2.5D框架，将3D CT体积表示为结构化图，通过轴向切片三元组节点建模层间依赖，实现多标签异常分类，跨数据集泛化性能强。

Comments Accepted at MELBA Journal 2026

Recover Semantics First, Generate Better: Improved Latent Modeling for 3D MRI Reconstruction and Cross-Contrast Synthesis

先恢复语义，再生成更好：改进的潜在建模用于3D MRI重建和跨对比合成

Yonghao Chen, Sicheng Yang, Rui Tang, Lei Zhu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Xi’an Jiaotong University（西安交通大学） 纠错

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

AI总结 提出语义优先的潜在建模框架，通过潜在协调编码器、语义恢复块和解剖感知频率损失，解决3D MRI压缩中长程解剖一致性、语义退化和平滑重建问题，提升重建和跨对比合成质量。

Comments Code: https://github.com/script-Yang/RSF

Unified Multimodal Model for Brain MRI Imputation and Understanding

统一多模态模型用于脑MRI补全与理解

Zhiyun Song, Che Liu, Tian Xia, Avinash Kori, Wenjia Bai

机构 * Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） ； Department of Brain Sciences, Imperial College London（伦敦帝国理工学院脑科学系） 纠错

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

AI总结 提出UniBrain模型，通过统一训练策略联合处理脑MRI模态补全与图像理解，采用自对齐和动态隐藏状态机制，在多疾病数据集上实现高性能。

Comments Early accepted to MICCAI 2026

FairGen: Preference-Aligned Diffusion for Demographically Equitable Medical Image Synthesis

FairGen: 用于人口统计公平医学图像生成的偏好对齐扩散模型

Zhimin Li, Ruichen Zhang, Zhen Tan, Howard J Aizenstein, Jingtong Hu, Tianlong Chen

机构 * University of Pittsburgh, Swanson School of Engineering（匹兹堡大学斯旺森工程学院） ； The University of North Carolina at Chapel Hill, Department of Computer Science（北卡罗来纳大学教堂山分校计算机科学系） ； Arizona State University, School of Computing and Augmented Intelligence（亚利桑那州立大学计算与增强智能学院） ； University of Pittsburgh, Department of Psychiatry（匹兹堡大学精神病学系） 纠错

专题命中 医学影像 ：MRI(summary_cn,abstract)；medical image(title,abstract)；pathology(abstract)；radiology(abstract)

AI总结 提出FairGen框架，通过将医生偏好嵌入扩散模型生成过程，合成人口统计平衡的医学图像，在皮肤、胸片和脑MRI任务上分别实现95.9%、80.0%和35.2%的公平性提升，同时保持诊断准确性。

Comments Accepted for publication in npj Digital Medicine. 20 pages, 6 figures

Unified MRI Brain Image Translation via Hierarchical Tumor Structure Comparison

基于层级肿瘤结构比较的统一MRI脑图像翻译

Yupeng Cai, Jia Wei, Jianlong Zhou

机构 * South China University of Technology（华南理工大学） ； UTS Data Science Institute, University of Technology Sydney（悉尼科技大学UTS数据科学研究所） 纠错

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

AI总结 提出HTSCGAN模型，通过层级肿瘤结构比较和多种损失函数，提高多模态MRI脑图像翻译质量，在BraTS2020/2021上表现优异。

Segmentation-Assisted Brain MRI Synthesis with Cross-Image Multi-Contrast Feature Memory Bank Retrieval Augmentation

基于跨图像多对比度特征记忆库检索增强的分割辅助脑MRI合成

Wenwei Huang, Jia Wei, Jianlong Zhou

机构 * South China University of Technology（华南理工大学） ； University of Technology Sydney（悉尼科技大学） 纠错

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

AI总结 提出分割辅助的闭环生成对抗框架，通过辅助分割分支和双库检索增强策略，提高多对比度脑MRI中肿瘤区域的合成保真度。

ORACLE-CT: Anatomy-Aware Support Pooling for CT Classification

ORACLE-CT：用于CT分类的解剖感知支持池化

Lavsen Dahal, Yubraj Bhandari, Geoffrey Rubin, Joseph Y. Lo

机构 * Center for Virtual Imaging Trials, RAI Labs, Department of Radiology, Duke University（虚拟成像试验中心，RAI实验室，放射学系，杜克大学） ； Electrical and Computer Engineering, Pratt School of Engineering, Duke University（电气与计算机工程，工程学院，杜克大学） ； Department of Mathematics, Trinity College of Arts & Sciences, Duke University（数学系，艺术与科学学院，杜克大学） ； Department of Radiology and Imaging Sciences, University of Arizona College of Medicine（放射学与影像科学系，亚利桑那大学医学院） 纠错

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

AI总结 提出ORACLE-CT框架，通过多器官分割定义标签特定的解剖支持区域并限制注意力池化，解决CT分类中局部疾病证据与全局聚合不匹配的问题，在多个编码器上提升性能。

Multi-Granularity 3D Kidney Lesion Characterization from CT Volumes

多粒度3D肾脏病变特征提取来自CT体积

Renjie Liang, Zhengkang Fan, Jinqian Pan, Chenkun Sun, Jiang Bian, Russell Terry, Jie Xu

机构 * Department of Health Outcomes and Biomedical Informatics, University of Florida（健康结果与生物医学信息学系，佛罗里达大学） ； Department of Urology, University of Florida（泌尿外科，佛罗里达大学） ； Department of Biostatistics and Health Data Science, Indiana University School of Medicine（生物统计学与健康数据科学系，印第安纳大学医学院） ； Center of Biomedical Informatics（生物医学信息学中心） 纠错

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

AI总结 提出LesionDETR，一种基于DETR的架构，通过大小距离匈牙利匹配和分层损失，实现从CT体积中按病变预测四个临床属性，在双侧异常检测上达到AUC 0.799。

LegSegNet: A Public Deep Learning System for Lower Extremity CT Tissue Segmentation and Quantification

LegSegNet：用于下肢CT组织分割与量化的公共深度学习系统

Yuwen Chen, Yaqian Chen, Roy Colglazier, Haoyu Dong, Hanxue Gu, Maciej A. Mazurowski, Kevin W. Southerland

机构 * Department of Electrical and Computer Engineering, Duke University（杜克大学电气与计算机工程系） ； Department of Biostatistics & Bioinformatics, Duke University（杜克大学生物统计与生物信息学系） ； Department of Radiology, Duke University（杜克大学放射学系） ； Department of Computer Science, Duke University（杜克大学计算机科学系） ； Department of Surgery, Duke University（杜克大学外科系） 纠错

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

AI总结 提出LegSegNet深度学习系统，实现下肢CT中骨骼、肌肉、皮下脂肪和肌间/肌内脂肪的自动分割与量化，在测试集上平均Dice达89.31，是首个公开的端到端系统。

Comments 9 pages

Detail Consistent Stage-Wise Distillation for Efficient 3D MRI Segmentation

细节一致的分阶段蒸馏用于高效3D MRI分割

Mengchen Fan, Baocheng Geng, Xi Xiao, Tianyang Wang, Siyuan Mei, Pulin Che, Xiaoqian Jiang, Qizhen Lan

机构 * University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔兰根-纽伦堡弗里德里希-亚历山大大学） ； UTHealth Houston（休斯顿UT健康） 纠错

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

AI总结 提出细节一致蒸馏（DCD）框架，通过小波分解对齐教师-学生特征，在分阶段蒸馏中保留多尺度结构细节，实现高效3D MRI分割。

Comments Accepted by MICCAI 2026. 11 pages, 3 figures

When Brains Disagree: Biological Ambiguity Underlies the Challenge of Amyloid PET Synthesis from Structural MRI

当大脑存在分歧：生物模糊性是结构MRI合成淀粉样蛋白PET挑战的基础

Louise E. G. Baron, Ross Callaghan, David M. Cash, Philip S. J. Weston, Hojjat Azadbakht, Hui Zhang

机构 * Hawkes Institute, University College London, UK（霍克斯研究所，伦敦大学学院，英国） ； Department of Medical Physics and Biomedical Engineering, University College London, UK（医学物理与生物医学工程系，伦敦大学学院，英国） ； AINOSTICS Ltd, Manchester, UK（AINOSTICS有限公司，曼彻斯特，英国） ； Dementia Research Centre, UCL Queen Square Institute of Neurology, University College London, UK（痴呆研究中心，伦敦大学学院女王广场神经科学研究所，英国） ； UK Dementia Research Institute, London, UK（英国痴呆研究研究所，伦敦，英国） ； Department of Computer Science, University College London, UK（计算机科学系，伦敦大学学院，英国） 纠错

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

AI总结 通过控制实验证明，结构MRI到淀粉样蛋白PET合成性能受限的根本原因是生物模糊性（MRI与PET测量时间解耦的病理过程），而非模型架构能力，并表明引入血浆生物标志物等多模态信息可解决该问题。

Comments MICCAI 2026 accepted paper (no rebuttal)

Time-driven Survival Analysis from FDG-PET/CT in Non-Small Cell Lung Cancer

基于FDG-PET/CT的非小细胞肺癌时间驱动生存分析

Sambit Tarai, Ashish Chauhan, Elin Lundström, Johan Öfverstedt, Therese Sjöholm, Veronica Sanchez Rodriguez, Håkan Ahlström, Joel Kullberg

机构 * Radiology, Department of Surgical Sciences（外科科学系放射学部） ； Antaros Medical（Antaros医疗） ； Molecular Imaging and Medical Physics, Department of Surgical Sciences（外科科学系分子成像与医学物理部） 纠错

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

AI总结 提出一种结合组织FDG-PET/CT投影和时间输入的深度学习回归框架，用于预测非小细胞肺癌患者的总生存期，在AUC上比基线方法提升4.3%，并实现了风险分层。

Comments Under review

Journal ref Ann Biomed Eng (2026)

UniReg: A Universal Model for Controllable CT Image Registration

UniReg: 一种用于可控CT图像配准的通用模型

Zi Li, Jianpeng Zhang, Tai Ma, Tony C. W. Mok, Yan-Jie Zhou, Zeli Chen, Xianghua Ye, Le Lu, Cheng Chen, Dakai Jin

机构 * The University of Hong Kong（香港大学） ； DAMO Academy, Alibaba Group（阿里巴巴集团达摩院） ； The First Affiliated Hospital of Zhejiang University（浙江大学第一附属医院） 纠错

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

AI总结 提出UniReg，首个条件统一模型，通过整合解剖结构先验、配准类型约束和实例特征，实现多场景CT图像配准的精确性和泛化性。

GLeVE: Graph-Guided Lesion Grounding with Proposal Verification in 3D CT

GLeVE: 在3D CT中基于图的病变接地与提案验证

Shuo Jiang, Yuhao Hong, Chunbo Jiang, Weihong Chen, Huangwei Chen, Shenghao Zhu, Beining Wu, Mingxuan Liu, Zhu Zhu, Feiwei Qin, Min Tan, Yifei Chen

机构 * Zhejiang Key Laboratory of Space Information Sensing and Transmission（浙江空间信息感知与传输重点实验室） ； Hangzhou Dianzi University（杭州电子科技大学） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Children's Hospital, Zhejiang University School of Medicine（浙江大学医学院附属儿童医院） 纠错

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

AI总结 本文提出GLeVE框架，通过图引导的病变接地和解剖学先验验证，解决3D CT中自由文本叙述与体积解剖之间的语义-空间差距问题，提升病变定位的准确性。

Comments 11 pages, 4 figures

Pixel Wised Lesion Prediction on COVID-19 CT Imagery: A Comparative Analysis of Automated Image Segmentation Architectures

基于像素的新冠CT影像病变预测：自动图像分割架构的比较分析

Sarmad Khan, Arslan Shaukat, Umer Asgher, Basim Azam

机构 * Department of Computer \& Software Engineering National University of Sciences \& Technology Islamabad, Pakistan ； School of Computing \& Information Systems University of Melbourne Melbourne, Australia 纠错

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

AI总结 本文通过比较四种深度学习架构与六种预训练编码器，评估了在新冠CT影像中预测病变的性能，发现深度学习在分割任务中具有高精度和效率，其中二分类分割达到98%的F1分数，多分类分割在不同数据集上分别达到75%和77%的F1分数。

Comments 7 pages, 6 figures, 4 tables

A Comprehensive Comparison of Deep Learning Architectures for COVID-19 Classification on CT & X-ray Imagery

对用于CT和X光影像中新冠分类的深度学习架构的全面比较

Sarmad Khan, Arslan Shaukat, Umer Asgher, Basim Azam

机构 * Department of Computer \& Software Engineering National University of Sciences \& Technology Islamabad, Pakistan ； School of Computing \& Information Systems University of Melbourne Melbourne, Australia 纠错

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

AI总结 本文通过比较多种深度学习架构，提出基于卷积神经网络的计算机辅助诊断系统，以区分新冠和正常肺部影像，并在X光和CT数据集上取得了95至98%的平均准确率。

Comments 6 pages, 2 figures, 5 tables

Combined Diffusion-Relaxation MRI to Assess Muscle Microstructure and Composition

结合扩散-弛豫MRI评估肌肉微结构和组成

Matteo Figini, Paddy J. Slator, Valeria E. Contarino, Eleftheria Panagiotaki, Giovanna Rizzo, Alfonso Mastropietro

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

AI总结 本文提出结合扩散-弛豫MRI技术，通过分析肌肉微结构和组成，提高对肌肉微结构和灌注相关生物标记物的评估精度，特别在血管分数估计上表现优异。

AGA3DNet: Anatomy-Guided Gaussian Priors with Multi-view xLSTM for 3D Brain MRI Subtype Classification

AGA3DNet：基于解剖的高斯先验与多视角xLSTM用于3D脑MRI亚型分类

Peiyu Duan, Xueqi Guo, Sepehr Farhand, Mehmet Berk Sahin, Xinyuan Zheng, James S. Duncan, Gerardo Hermosillo Valadez, Yoshihisa Shinagawa

机构 * Yale University（耶鲁大学） ； Siemens Healthineers（西门子医疗） ； Purdue University（普渡大学） 纠错

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

AI总结 AGA3DNet结合解剖短语和轻量3D CNN与多视角xLSTM，通过高斯加权提供可解释的解剖引导，提升3D脑MRI亚型分类性能。

Comments CVPR CV4CLINIC 2026

RA-CMF: Region-Adaptive Conditional MeanFlow for CT Image Reconstruction

RA-CMF：基于区域自适应的条件均值流用于CT图像重建

Md Shifatul Ahsan Apurba, Md Selim, Jin Chen

机构 * Biomedical Informatics（生物医学信息学） ； Data Science University of Alabama at Birmingham Birmingham, AL, United States（数据科学，阿拉巴马大学伯明翰分校，伯明翰，AL，美国） ； Computer Science Florida Polytechnic University Lakeland, FL, United States（计算机科学，佛罗里达理工学院，拉凯兰德，FL，美国） 纠错

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

AI总结 本文提出RA-CMF方法，结合条件均值流与强化学习，实现CT图像重建的区域自适应增强，提升肿瘤区域的准确性和图像整体质量。

Interlaced R2D2 DNN Series for Scalable Non-Cartesian MRI with Sensitivity Self-calibration

交错的R2D2 DNN系列用于可扩展的非笛卡尔MRI敏感性自校准

Shijie Chen, Yiwei Chen, Amir Aghabiglou, Motahare Torki, Chao Tang, Ruud B. van Heeswijk, Yves Wiaux

机构 * Institute of Sensors, Signals and Systems, Heriot-Watt University Edinburgh, United Kingdom（传感器、信号与系统研究所，赫里奥特-沃斯大学爱丁堡分校，英国） ； Department of Diagnostic Imaging and Interventional Radiology, Lausanne University and Hospital, Switzerland（诊断影像与介入放射学系，洛桑大学及医院，瑞士） 纠错

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

AI总结 本文提出iR2D2，一种用于加速非笛卡尔k空间MRI图像重建的DNN系列框架，通过自校准敏感性图提升重建性能。

Comments 13 pages, 8 figures

Explainability in Generative Medical Diffusion Models: A Faithfulness-Based Analysis on MRI Synthesis

生成医学扩散模型的可解释性：基于忠实度的MRI合成分析

Surjo Dey, Pallabi Saikia

机构 * Rajiv Gandhi institute of petroleum technology（拉吉夫·甘地石油技术学院） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；medical image(abstract)；分类 cs.LG

AI总结 研究探讨生成扩散模型在医学影像中的可解释性，聚焦MRI合成，通过分析原型方法评估生成与训练特征的关系，实验表明EPPNet在忠实度上表现最佳，提升生成过程的透明度和可信度。

Comments Accepted at 3rd World Congress on Smart Computing (WCSC2026) conference

A Hybrid CNN and ML Framework for Multi-modal Classification of Movement Disorders Using MRI and Brain Structural Features

一种结合CNN和ML的混合框架用于利用MRI和脑结构性质进行运动障碍多模态分类

Mengyu Li, Ingibjörg Kristjánsdóttir, Thilo van Eimeren, Kathrin Giehl, Lotta M. Ellingsen, the ASAP Neuroimaging Initiative

机构 * University of Iceland, Faculty of Electrical and Computer Engineering（冰岛大学电气与计算机工程学院） ； University of Iceland, Faculty of Medicine（冰岛大学医学院） ； University of Cologne, Faculty of Medicine（科隆大学医学院） ； University Hospital Cologne, Dept. of Nuclear Medicine and Dept. of Neurology（科隆大学医院核医学科和神经内科） ； the ASAP Neuroimaging Initiative（ASAP神经影像倡议） 纠错

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

AI总结 本文提出结合CNN与ML的混合框架，用于区分APD亚型与PD及亚型间差异，利用MRI和脑结构性质数据实现高分类精度。

Comments To be published in Proceedings of SPIE Medical Imaging 2026