医学 AI

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。

Secure-by-Disguise: A Systematic Evaluation of Image Disguising for Confidential Medical Image Modeling

通过伪装实现安全：对用于机密医学图像建模的图像伪装的系统评估

Jason Rojas, Jiajie He, Yash Patel, Yuechun Gu, Zeyun Yu, Keke Chen

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

AI总结 研究针对医学图像外包建模的隐私问题，建立统一框架评估DisguisedNets和NeuraCrypt等方法，分析其在多数据集上的预测效用、效率及抗攻击鲁棒性，发现图像伪装性能因任务而异，RMT平衡最佳，为医学AI应用中PET适用性提供评估。

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

Learning from Acquisition: Metadata-driven Multimodal Pre-training for Cardiac MRI

从采集信息中学习：基于元数据驱动的心脏MRI多模态预训练

Xueyi Fu, Liwei Hu, Zi Wang, Guang Yang

机构 * Department of Surgery & Cancer（外科与癌症系） ； Bioengineering Department and Imperial-X（生物工程系和Imperial-X） ； National Heart and Lung Institute（国家心脏和肺研究所） ； Cardiovascular Research Centre（心血管研究中心） ； School of Biomedical Engineering & Imaging Sciences（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、eess.IV

AI总结 提出MetaCLIP-CMR框架，将采集元数据转化为文本监督进行对比学习，在分类和分割任务上优于ImageNet和掩码重建初始化，且仅需不到1%的预训练图像量即可达到与大规模模型相当的性能。

Comments 11 pages, 3 figures, 3 tables

One-Shot Data Selection for Medical Image Classification via Graph Coverage

基于图覆盖的医学图像分类一次性数据选择

Zahiriddin Rustamov, Nadia Badawi, Rafat Damseh, Nazar Zaki

机构 * United Arab Emirates University（阿拉伯联合酋长国大学） ； KU Leuven（鲁汶大学） 纠错

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

AI总结 提出一种基于图的一次性数据选择方法，利用预训练编码器的k近邻图构建热扩散核，通过贪婪设施位置选择最大化数据流形覆盖的子集，在五个MedMNIST数据集上优于基线方法。

Comments Accepted at MICCAI 2026

A Plug-and-Play Method for Guided Multi-contrast MRI Reconstruction based on Content/Style Modeling

基于内容/风格建模的即插即用式引导多对比度MRI重建方法

Chinmay Rao, Matthias van Osch, Nicola Pezzotti, Jeroen de Bresser, Mark van Buchem, Laurens Beljaards, Jakob Meineke, Elwin de Weerdt, Huangling Lu, Mariya Doneva, Marius Staring

机构 * University of Amsterdam（阿姆斯特丹大学） ； Erasmus University Rotterdam（埃因霍温理工大学） ； Erasmus University Medical Center（埃因霍温医学院） ； University of Utrecht（乌得勒支大学） 纠错

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

AI总结 提出一种无需k空间训练数据的模块化即插即用方法PnP-CoSMo，通过内容/风格解耦利用参考扫描引导欠采样对比度重建，在公共和内部数据集上达到或超越端到端方法，并实现更高加速比。

NL-MambaXCT: Self-Supervised Nested-Learning Mamba for Nomex Honeycomb X-ray CT Defect Classification

NL-MambaXCT：用于Nomex蜂窝X射线CT缺陷分类的自监督嵌套学习Mamba

Ghaleb Aldoboni, Lobna Nassar, Fakhri Karray, Reem Alshamsi

机构 * Aurak Academy of Arts and Sciences（阿劳克艺术与科学学院） ； Machine Intelligence Institute（人工智能研究所） ； University of Waterloo（滑铁卢大学） 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NL-MambaXCT框架，结合自监督掩码图像建模和嵌套学习，实现Nomex蜂窝XCT缺陷的高效分类，在测试集上达到96.91%准确率。

Med-URWKV†: Toward Enhanced Pretrained Pure VRWKV Models for Medical Image Segmentation

Med-URWKV†：面向医学图像分割的增强型预训练纯VRWKV模型

Zhenhuan Zhou, Yining Li, Yanlin Wu, Haohan Zou, Yan Wang, Tao Li

机构 * College of Computer Science, Nankai University（南开大学计算机科学学院） ； Key Laboratory of Data and Intelligent System Security, Ministry of Education（教育部数据与智能系统安全重点实验室） ； School of Medicine, Nankai University（南开大学医学院） ； Nankai University Eye institute, Nankai University（南开大学眼科研究院） ； Tianjn Eye Hospital（天津眼科医院） ； Haihe Lab of ITAI（海河ITAI实验室） 纠错

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

AI总结 本文提出Med-URWKV模型，通过重用预训练VRWKV编码器并设计FAWA和MSCF模块，在五个数据集上达到SOTA性能，其中Med-URWKV†以半参数实现最高平均Dice 88.00%。

Comments Under Review Since 2026-1-22, 12 pages. Copyright: College of Computer Science, Nankai University. All rights reserved

A Context-Aware Middleware for Medical Image Based Reports: An approach based on image feature extraction and association rules

基于医学图像报告的情境感知中间件：一种基于图像特征提取和关联规则的方法

Erick O. Rodrigues, Jose Viterbo, Aura Conci, Trueman Mac Henry

机构 * Department of Computer Science（计算机科学系） ； Departament of Mathematics & Statistics（数学与统计学系） ； Universidade Federal Fluminense（联邦Fluminense大学） ； York University（约克大学） 纠错

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

AI总结 提出一种情境感知中间件，通过图像特征提取和关联规则，自动将医学图像分派给最合适的医疗人员，以提高医疗工作流程效率。

Journal ref 2015 IEEE/ACS 12th International Conference of Computer Systems and Applications (AICCSA)

Entropy-Guided Self-Supervised Learning for Medical Image Classification

熵引导的自监督学习用于医学图像分类

Joao Florindo, Viviane Moura

机构 * Institute of Mathematics, Statistics and Scientific Computing（数学、统计与科学计算研究所） ； Department of Applied Mathematics, University of Campinas（应用数学系，坎皮纳斯大学） 纠错

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

AI总结 本文提出了一种结合自监督学习和迁移学习的深度学习框架，通过使用熵引导的掩码自动编码器和ImageNet预训练模型，提升医学图像分类的性能和鲁棒性。

Flow Matching with Optimized Subclass Priors for Medical Image Augmentation

利用优化子类先验的流匹配用于医学图像增强

Felix Nützel, Mischa Dombrowski, Bernhard Kainz

机构 * Department of Artificial Intelligence in Biomedical Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg, 91052 Erlangen, Germany（生物医学工程人工智能系，弗里德里希-亚历山大-厄林根-纽伦堡大学） ； Department of Computing, Imperial College London, London SW7 2AZ, UK（计算系，帝国理工学院伦敦分校） 纠错

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

AI总结 本文提出通过优化子类先验来提升医学图像增强中罕见疾病的生成质量，通过生成模型的潜在空间进行子类模式划分，并学习子类条件源分布以提高生成效果和多样性。

Comments 11 pages, 3 figures, 7 tables

Layer Selection in Feature-Based Losses Affects Image Quality and Microstructural Consistency in Deep Learning Super-Resolution of Brain Diffusion MRI

基于特征的损失函数中层选择影响深度学习超分辨率中图像质量及微结构一致性

David Lohr, Rene Werner

机构 * Institue for Applied Medical Informatics, University Medical Center Hamburg-Eppendorf（应用医学信息学研究所，汉堡大学医学中心） ； Institute of Computational Neuroscience, University Medical Center Hamburg-Eppendorf（计算神经科学研究所，汉堡大学医学中心） ； Center for Biomedical Artificial Intelligence (bAIome), University Medical Center Hamburg-Eppendorf（生物医学人工智能中心（bAIome），汉堡大学医学中心） 纠错

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

AI总结 本研究探讨了基于特征的损失函数在深度学习超分辨率中对扩散信号一致性的影响，发现深层网络层会导致网格状伪影，而浅层网络层能保持图像与地面真实的一致性，尤其在9倍超分辨率下表现优异。

Potential and challenges of generative adversarial networks for super-resolution in 4D Flow MRI

生成对抗网络在4D流体磁共振成像超分辨率中的潜力与挑战

Oliver Welin Odeback, Arivazhagan Geetha Balasubramanian, Jonas Schollenberger, Edward Ferdiand, Alistair A. Young, C. Alberto Figueroa, Susanne Schnell, Outi Tammisola, Ricardo Vinuesa, Tobias Granberg, Alexander Fyrdahl, David Marlevi

机构 * Surgery, Karolinska Institutet , addressline= Karolinska Universitetssjukhuset Solna (L1:00) , city= Stockholm , postcode= 171 76 , country= Sweden ； organization= FLOW, Engineering Mechanics, KTH Royal Institute of Technology , addressline= Osquars Backe 18 , city= Stockholm , postcode= 100 44 , country= Sweden ； organization= Department of Radiology ； Biomedical Imaging, University of California San Francisco , addressline= 505 Parnassus Avenue , city= San Francisco , postcode= 94143 , state= CA , country= USA ； organization= Faculty of Informatics, Telkom University , addressline= Jl.Telekomunikasi No. 1, Terusan Buahbatu , city= Bandung , postcode= 40257 , state= West Java , country= Indonesia ； organization= Auckland Bioengineering Institute, University of Auckland , addressline= Bioengineering House, 70 Symonds St , city= Grafton , postcode= 1010 , country= New Zealand ； organization= School of Biomedical Engineering \& Imaging Sciences, King's College London , addressline= 1 Lambeth Palace Rd, South Bank , city= London , postcode= SE1 7EU , country= UK ； organization= Department of Biomedical Engineering, University of Michigan , addressline= 1107 Carl A. Gerstacker Bldg 2200 Bonisteel Blvd. , city= Ann Arbor , postcode= 48109-2099 , state= MI , country= USA ； organization= Department of Physics, University of Greifswald , addressline= Felix-Hausdorff-Str. 6 , city= Greifswald , postcode= 174 89 , country= Germany ； organization= Department of Aerospace Engineering, University of Michigan , addressline= 1320 Beal Avenue , city= Ann Arbor , postcode= 48109-2140 , state= MI , country= USA ； organization= Department of Neuroradiology, Karolinska University Hospital , addressline= Hälsovägen 13, O42 , city= Stockholm , postcode= 141 86 , country= Sweden ； organization= Department of Clinical Physiology, Karolinska University Hospital , addressline= Eugeniavägen 3, A8:01 , city= Solna , postcode= 171 64 , country= Sweden ； organization= Institute for Medical Engineering ； Science, Massachusetts Institute of Technology , addressline= 45 Carleton St , city= Cambridge , postcode= 02142 , state= MA , country= USA 纠错

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

AI总结 本文研究了生成对抗网络在4D流体磁共振成像超分辨率中的应用，通过对比不同对抗损失函数，发现Wasserstein GAN在稳定性和性能上表现最佳，提升了近壁速度恢复效果。

Comments 26 pages, 10 figures

Journal ref Computers in Biology and Medicine 211 (2026) 111745

Component-Adaptive and Lesion-Level Supervision for Improved Small Structure Segmentation in Brain MRI

组件自适应与病变级监督用于改善脑MRI中的小结构分割

Minh Sao Khue Luu, Evgeniy N. Pavlovskiy, Bair N. Tuchinov

机构 * The Artificial Intelligence Research Center of Novosibirsk State University（新西伯利亚国立大学人工智能研究中心） 纠错

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

AI总结 本文提出CATMIL统一目标函数，结合组件自适应Tversky损失和多实例学习，提升小病变分割的准确性与检测能力，实验显示其在Dice分数和边界误差上优于传统方法，尤其提升小病变召回率。

Comments This version includes additional false-negative and false-positive error analysis in the Results

Post-Processing Methods for Improving Accuracy in MRI Inpainting

改进MRI修复精度的后处理方法

Nishad Kulkarni, Krithika Iyer, Austin Tapp, Abhijeet Parida, Daniel Capellán-Martín, Zhifan Jiang, María J. Ledesma-Carbayo, Syed Muhammad Anwar, Marius George Linguraru

机构 * CIBER-BBN, ISCIII（生物工程、生物材料与纳米医学网络研究中心，卡洛斯三世健康研究所） 纠错

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

AI总结 本文提出结合模型集成与高效后处理策略的MRI修复方法，通过轻量U-Net增强阶段提升解剖合理性与视觉保真度，实现更准确且鲁棒的修复结果。

Leveraging Image Editing Foundation Models for Data-Efficient CT Metal Artifact Reduction

利用图像编辑基础模型实现数据高效的CT金属伪影减少

Ahmet Rasim Emirdagi, Süleyman Aslan, Mısra Yavuz, Görkay Aydemir, Yunus Bilge Kurt, Nasrin Rahimi, Burak Can Biner, M. Akın Yılmaz

机构 * Codeway AI Research（Codeway AI 研究院） 纠错

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

AI总结 本文提出利用视觉语言扩散基础模型进行金属伪影减少，通过参数高效低秩适应技术，仅需16-128对训练样本即可实现高效伪影抑制，并证明领域适应对减少幻觉至关重要。

Comments Accepted to CVPRW 2026 Med-Reasoner

Curia-2: Scaling Self-Supervised Learning for Radiology Foundation Models

Curia-2：用于放射学基础模型的自监督学习扩展

Antoine Saporta, Baptiste Callard, Corentin Dancette, Julien Khlaut, Charles Corbière, Leo Butsanets, Amaury Prat, Pierre Manceron

机构 * Raidium ； Department of Vascular and Oncological Interventional Radiology, Hôpital Européen Georges Pompidou, AP-HP, Paris, France（巴黎欧洲乔治·蓬皮杜医院血管与肿瘤介入放射科，AP-HP） ； Faculté de Santé, Université Paris-Cité, Paris, France（巴黎西岱大学健康学院） 纠错

专题命中 医学影像 ：radiology(title)；MRI(abstract)；CT(abstract)；分类 cs.CV、cs.LG

AI总结 Curia-2通过改进预训练策略和表征质量，提升了放射学数据的捕捉能力，首次实现了多模态CT和MRI基础模型的亿参数视觉变换器架构，并在两个新评估轨道中验证了其性能。

DuSCN-FusionNet: An Interpretable Dual-Channel Structural Covariance Fusion Framework for ADHD Classification Using Structural MRI

DuSCN-FusionNet：一种用于ADHD分类的可解释双通道结构协方差融合框架（基于结构性MRI）

Qurat Ul Ain, Alptekin Temizel, Soyiba Jawed

机构 * National University of Sciences and Technology（国立科技大学） ； Middle East Technical University（中东技术大学） 纠错

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

AI总结 本文提出DuSCN-FusionNet，通过双通道结构协方差网络捕捉区域间形态关系，结合强度和异质性描述符，利用晚阶段融合提升性能，在ADHD-200数据集上达到80.59%的平衡准确率和0.778的AUC。

Comments 5 pages, 5 figures

Cycle Inverse-Consistent TransMorph: A Balanced Deep Learning Framework for Brain MRI Registration

循环逆一致TransMorph：一种用于脑部MRI配准的平衡深度学习框架

Jiaqi Shang, Haojin Wu, Yinyi Lai, Zongyu Li, Chenghao Zhang, Jia Guo

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

AI总结 本文提出一种基于Transformer的框架，通过双向一致性约束提升脑MRI变形配准的精度与稳定性，实验表明其在多个指标上表现优异。

From Explanations to Architecture: Explainability-Driven CNN Refinement for Brain Tumor Classification in MRI

从解释到架构：基于可解释性的CNN细化用于MRI中脑肿瘤分类

Rajan Das Gupta, Md Imrul Hasan Showmick, Lei Wei, Mushfiqur Rahman Abir, Shanjida Akter, Md. Yeasin Rahat, Md. Jakir Hossen

机构 * American International Brac University Faculty of Psychology University-Bangladesh（美国国际布拉大学心理学学院（孟加拉国）） ； Shinawatra University Department of Computer Science（辛纳瓦特大学计算机科学系） ； American International North South University（美国国际北南大学） ； American International University–Bangladesh Department of Computer Science（美国国际大学–孟加拉国计算机科学系） ； Multimedia University Department of Computer Science（多媒体大学计算机科学系） 纠错

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

AI总结 本文提出一种可解释性驱动的CNN框架，通过Grad-CAM量化层间相关性以去除低贡献层，提升模型透明度并保持分类精度，实验证明在多类脑MRI数据集上达到高准确率，支持更可信的脑肿瘤分类。

Comments This is the preprint version of the manuscript. It is currently being prepared for submission to an academic conference

TuLaBM: Tumor-Biased Latent Bridge Matching for Contrast-Enhanced MRI Synthesis

TuLaBM：肿瘤偏置潜在桥匹配用于增强MRI合成

Atharva Rege, Adinath Madhavrao Dukre, Numan Balci, Dwarikanath Mahapatra, Imran Razzak

机构 * MBZUAI ； National Institute of Technology Karnataka（国家理工学院卡纳塔） ； Cleveland Clinic Abu Dhabi（克利夫兰诊所阿布扎赫） ； Khalifa University（卡里玛大学） 纠错

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

AI总结 本文提出TuLaBM，通过在学习的潜在空间中将非对比MRI转换为增强MRI视为布朗桥传输，提升效率和肿瘤区域保真度，实验显示在BraTS2023-GLI和克利夫兰诊所肝脏MRI数据集上表现优异。

A Novel Framework using Intuitionistic Fuzzy Logic with U-Net and U-Net++ Architecture: A case Study of MRI Bain Image Segmentation

一种利用直觉模糊逻辑与U-Net和U-Net++架构的新型框架：MRI脑图像分割的案例研究

Hanuman Verma, Kiho Im, Akshansh Gupta, M. Tanveer

机构 * Department of Mathematics, Bareilly College, Bareilly (MJP Rohilkhand University), Uttar Pradesh, 243005, India（巴里利学院数学系，巴里利（MJP罗希兰德大学），乌塔尔普拉德什，243005，印度） ； Fetal Neonatal Neuroimaging and Developmental Science Center, Boston Children’s Hospital, Harvard Medical School, Boston, MA 02115, USA and Division of Newborn Medicine, Boston Children’s Hospital, Harvard Medical School, Boston, MA 02115, USA also with Department of Pediatrics, Harvard Medical School, Boston, MA, USA（波士顿儿童医院胎儿和新生儿神经影像与发育科学中心，哈佛医学院，波士顿，马萨诸塞州02115，美国；波士顿儿童医院新生儿医学科，哈佛医学院，波士顿，马萨诸塞州02115，美国；也与哈佛医学院儿科系，波士顿，马萨诸塞州，美国） ； National Institute of Science Communication and Policy Research, New Delhi, 110012, India（国家科学传播与政策研究所，新德里，110012，印度） ； Department of Mathematics, Indian Institute of Technology Indore, Indore (M.P.)-453552, India（印度理工学院印度尔数学系，印度尔（马哈拉施特拉邦）-453552，印度） 纠错

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

AI总结 本文提出一种结合直觉模糊逻辑的U-Net和U-Net++框架，用于提高MRI脑图像分割的准确性，通过处理图像中的不确定性提升分割性能。

Comments 13 pages, 8 figures

Clinical Priors Guided Lung Disease Detection in 3D CT Scans

基于临床先验的3D CT扫描肺部疾病检测

Kejin Lu, Jianfa Bai, Qingqiu Li, Runtian Yuan, Jilan Xu, Junlin Hou, Yuejie Zhang, Rui Feng

机构 * College of Computer Science and Artificial Intelligence, Shanghai Key Laboratory of Intelligent Information Processing, Fudan University（计算机科学与人工智能学院，上海智能信息处理重点实验室，复旦大学） ； University of Oxford（牛津大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 本文提出一种考虑性别因素的两阶段肺部疾病分类框架，通过性别分类器和性别特异性疾病分类器提升少数类疾病识别性能，尤其在鳞状细胞癌上表现突出。

Brain Tumor Classification from 3D MRI Using Persistent Homology and Betti Features: A Topological Data Analysis Approach on BraTS2020

基于持久同调和Betti特征的3D MRI脑肿瘤分类：一种拓扑数据分析方法用于BraTS2020

Faisal Ahmed

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

AI总结 本文提出利用拓扑数据分析方法，通过持久同调提取Betti特征，对3D MRI图像进行脑肿瘤分类，实验显示随机森林结合Betti特征在BraTS2020数据集上达到89.19%的准确率。

Comments 21 pages, 7 figures

LightMedSeg: Lightweight 3D Medical Image Segmentation with Learned Spatial Anchors

LightMedSeg: 轻量级3D医学图像分割与学习空间锚点

Kavyansh Tyagi, Vishwas Rathi, Puneet Goyal

机构 * National Institute of Technology Kurukshetra（克什米尔国家理工学院） ； Indian Institute of Technology Ropar（罗帕尔印度理工学院） 纠错

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

AI总结 LightMedSeg通过整合解剖学先验与自适应上下文建模，实现了轻量级3D医学图像分割，以高效且准确的方式替代传统变换器方法。

Comments 8 pages, X figures. Submitted to CVPRW ECV 2026

Texture-Aware StarGAN for CT data harmonisation

具有纹理意识的StarGAN用于CT数据和谐化

Francesco Di Feola, Ludovica Pompilio, Cecilia Assolito, Valerio Guarrasi, Paolo Soda

机构 * Research Unit of Computer Systems and Bioinformatics, Campus Bio-Medico University of Rome, Rome, Italy（计算机系统与生物信息学研究单位，罗马生物医学大学） ； Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University, Sweden（诊断与介入部门，辐射物理，生物医学工程，乌梅大学） ； La Sapienza University of Rome（罗马拉维亚大学） 纠错

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

AI总结 本文提出一种具有纹理意识的StarGAN模型，用于CT数据和谐化，通过多尺度纹理损失函数解决不同重建内核引起的纹理变化问题。

CT Synthesis with Conditional Diffusion Models for Abdominal Lymph Node Segmentation

基于条件扩散模型的CT合成用于腹部淋巴结分割

Yongrui Yu, Hanyu Chen, Zitian Zhang, Qiong Xiao, Wenhui Lei, Linrui Dai, Yu Fu, Hui Tan, Guan Wang, Peng Gao, Xiaofan Zhang

机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； Department of Surgical Oncology and General Surgery, Key Laboratory of Precision Diagnosis and Treatment of Gastrointestinal Tumors, Ministry of Education, The First Hospital of China Medical University, Shenyang, China（外科肿瘤科和普通外科，精准诊断与治疗胃肠肿瘤国家重点实验室，教育部，中国医科大学第一附属医院，沈阳，中国） ； Department of Radiology, The First Hospital of China Medical University, Shenyang, China（放射科，中国医科大学第一附属医院，沈阳，中国） ； Shanghai AI Laboratory, Shanghai, China（上海人工智能实验室，上海，中国） 纠错

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

AI总结 本文提出LN-DDPM模型，通过条件扩散模型生成腹部淋巴结数据，提升分割性能。

Vision Transformer for Intracranial Hemorrhage Classification in CT Scans Using an Entropy-Aware Fuzzy Integral Strategy for Adaptive Scan-Level Decision Fusion

基于熵感知模糊积分策略的视觉Transformer用于CT扫描中脑内出血分类

Mehdi Hosseini Chagahi, Md. Jalil Piran, Niloufar Delfan, Behzad Moshiri, Jaber Hatam Parikhan

机构 * School of Electrical and Computer Engineering, College of Engineering, University of Tehran（塔里斯坦大学电气与计算机工程学院） ； Department of Computer Science and Engineering, Sejong University（世宗大学计算机科学与工程系） 纠错

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

AI总结 本文提出一种基于视觉Transformer和熵感知模糊积分策略的模型，用于CT扫描中脑内出血的高效分类。

Exploring Adversarial Watermarking in Transformer-Based Models: Transferability and Robustness Against Defense Mechanism for Medical Images

探索基于变换器模型的对抗水印：医疗图像中的可转移性和对抗防御机制的鲁棒性

Rifat Sadik, Tanvir Rahman, Arpan Bhattacharjee, Bikash Chandra Halder, Ismail Hossain, Mridul Banik, Jia Uddin

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

AI总结 本文研究了基于变换器模型的医疗图像对抗水印的可转移性和对抗防御机制的鲁棒性，发现ViTs在对抗攻击下准确率显著下降，但对抗训练可有效提升其鲁棒性。

Decipher-MR: A Vision-Language Foundation Model for 3D MRI Representations

Decipher-MR：一种用于3D MRI表示的视觉-语言基础模型

Zhijian Yang, Noel DSouza, Istvan Megyeri, Xiaojian Xu, Amin Honarmandi Shandiz, Farzin Haddadpour, Krisztian Koos, Laszlo Rusko, Emanuele Valeriano, Bharadwaj Swaninathan, Lei Wu, Parminder Bhatia, Taha Kass-Hout, Erhan Bas

机构 * GE Healthcare（通用电气医疗） 纠错

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

AI总结 Decipher-MR是一种专门针对3D MRI的视觉-语言基础模型，通过自监督学习和报告引导的文本监督，实现对多种医学任务的高效支持。