医学 AI

Computed Tomography (CT)-derived Cardiovascular Flow Estimation Using Physics-Informed Neural Networks Improves with Sinogram-based Training: A Simulation Study

基于CT的心血管血流估计利用物理信息神经网络，通过sinogram训练提升：一项模拟研究

Jinyuxuan Guo, Gurnoor Singh Khurana, Alejandro Gonzalo Grande, Juan C. del Alamo, Francisco Contijoch

机构 * Dept. of Bioengineering, University of California San Diego（加州大学圣地亚哥分校生物工程系） ； Dept. of Computer Science Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； Dept. of Mechanical Engineering, Univ of Washington（华盛顿大学机械工程系） ； Depts of Mechanical Engineering and Cardiology, Univ. of Washington（华盛顿大学机械工程与心内科系） ； Depts. of Bioengineering, Radiology, University of California San Diego（加州大学圣地亚哥分校生物工程与放射学系） 纠错

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

AI总结 本研究评估了CT影像对基于物理信息神经网络（PINN）的血流估计的影响，提出了一种改进框架SinoFlow，直接利用sinogram数据估计血流，结果显示SinoFlow在避免滤波反投影引入的误差方面表现更优。

Training-Free Adversarial Robustness in Computational MRI

计算MRI中无需训练的抗对抗鲁棒性

Mahdi Saberi, Chi Zhang, Mehmet Akçakaya

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

AI总结 提出一种无需重训练即可缓解MRI重建模型对抗攻击的方法，基于循环测量一致性在攻击输入的小邻域内最小化目标函数，显著降低对抗扰动影响。

Comments International Conference on Machine Learning (ICML), 2026

MoE-dqINR: A Unified Mixture-of-Experts Implicit Neural Representation Framework for Scan-Specific Dynamic and Quantitative MRI Reconstruction

MoE-dqINR：用于特定扫描动态和定量MRI重建的统一混合专家隐式神经表示框架

Yinzhe Wu, Fanwen Wang, Zhenxuan Zhang, Zi Wang, Chengyan Wang, Guang Yang

机构 * Department of Bioengineering and I-X, Imperial College London（生物工程系和I-X，帝国理工学院伦敦分校） ； Cardiovascular Research Centre, Royal Brompton Hospital（心脏血管研究中心，皇家布隆特医院） ； National Heart and Lung Institute, Imperial College London（国家心脏和肺研究所，帝国理工学院伦敦分校） ； School of Biomedical Engineering & Imaging Sciences, King’s College London（生物医学工程与成像科学学院，伦敦国王学院） ； Shanghai Pudong Hospital and Human Phenome Institute, Fudan University（上海浦东医院和人类表型研究所，复旦大学） ； International Human Phenome Institute (Shanghai), Shanghai, China（国际人类表型研究所（上海），上海，中国） 纠错

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

AI总结 提出MoE-dqINR框架，通过共享空间专家和状态条件路由路径，实现高效、统一的特定扫描多线圈动态和定量MRI重建，优化时间约30秒。

Parameter-Efficient CT Reconstruction via Deep Graph Laplacian Regularization

基于深度图拉普拉斯正则化的参数高效CT重建

Veera Varuni Radhakrishnan, Chinthaka Dinesh, Qurat-ul-Ain Azim

机构 * Mechanical and Industrial Engineering Department（机械与工业工程系） 纠错

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

AI总结 提出深度图拉普拉斯正则化（Deep GLR）方法，通过将二次图正则化集成到近端前向-后向分裂优化框架中，仅用少量参数和数据即可实现低剂量CT重建的噪声抑制，在参数效率和数据效率上显著优于现有方法。

Comments 7 pages, 3 figures, conference

From Prompt Optimization to Multi-Dimensional Credibility Evaluation: Enhancing Trustworthiness of Chinese LLM-Generated Liver MRI Reports -- with Preliminary Extension to Lung Cancer

从提示优化到多维可信度评估：增强中文LLM生成的肝脏MRI报告的可信度——初步扩展至肺癌

Qiuli Wang, Xinhuang Sun, Yonglin Chen, Jie Cheng, Yongxu Liu, Xingpeng Zhang, Xiaoming Li, Wei Chen

机构 * Yu-Yue Pathology Research Center, Jinfeng Laboratory, Chongqing, China（渝粤病理研究所，金风实验室，重庆，中国） ； T Magnetic Resonance Imaging Translational Medical Center, Department of Radiology, Southwest Hospital, Army Medical University, Chongqing, China（7T磁共振成像转化医学中心，放射科，西南医院，中国人民解放军军医大学，重庆，中国） 纠错

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

AI总结 本研究提出多维可信度评估（MDCA）框架，并指导机构特定提示优化，以增强LLM生成的肝脏MRI报告的可信度，初步扩展至肺癌。

Comments 10 pages, 6 figures, 4 tables

Train-Free Segmentation in MRI with Cubical Persistent Homology

基于立方体持续同调的MRI无训练分割

Anton François, Raphaël Tinarrage

机构 * Centre G. Borelli ； ENS Paris-Saclay（巴黎-萨克雷大学） ； IST Austria（IST奥地利研究所） ； EMAp, Fundação Getulio Vargas（EMAp，格洛里亚·瓦格斯基金会） 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 提出一种基于拓扑数据分析的无训练MRI分割框架，通过自动阈值、提取已知拓扑子集和分解成分三步实现，利用持续同调中的近似代表循环建立拓扑特征与解剖成分的可解释联系，在胶质母细胞瘤和胎儿皮质板分割中验证有效性。

Comments Similar to the published version. 22 pages, 11 figures, 3 tables. For associated code, see https://github.com/antonfrancois/gliomaSegmentation_TDA

Journal ref Journal of Mathematical Imaging and Vision 68, 20 (2026)

Deep Learning for MRI Slice Interpolation: The Critical Role of Problem Formulation

深度学习在MRI切片插值中的应用：问题建模的关键作用

Shamit Savant

机构 * University of Florida, Gainesville, FL 32611, USA（佛罗里达大学） 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 本文探讨了深度学习在前列腺成像中插值中间MRI切片的方法，发现问题建模对性能的影响远大于架构复杂度，通过改进插值方式提升了SSIM性能。

Comments 10 pages main text, 21 pages total with supplementary, 8 figures, supplementary material included

Low-dose, high-resolution CT of infant-sized lungs via propagation-based phase contrast

通过传播基相位对比技术实现婴儿肺部低剂量高分辨率CT

James A. Pollock, Kaye Morgan, Linda C. P. Croton, Emily J. Pryor, Kelly J. Crossley, Christopher J. Hall, Daniel Hausermann, Anton Maksimenko, Stuart B. Hooper, Marcus J. Kitchen

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

AI总结 利用传播基相位对比成像技术，优化了婴儿肺部CT成像的分辨率与辐射剂量，实现了比现有高分辨率CT更优的图像质量，符合澳大利亚婴儿胸部CT辐射标准。

Comments Updated to match published version

Multimodal synthesis of MRI and tabular data with diffusion in a joint latent space via cross-attention

通过交叉注意力在联合潜在空间中利用扩散模型进行MRI和表格数据的多模态合成

Daniel Mensing, Jan Kapar, Jochen G. Hirsch, Matthias Günther, Horst Hahn, Marvin N. Wright

机构 * Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学研究所MEVIS） ； Leibniz Institute for Prevention Research and Epidemiology – BIPS（莱比锡预防研究与流行病学研究所 – BIPS） ； Faculty of Mathematics and Computer Science, University of Bremen（不莱梅大学数学与计算机科学学院） ； Faculty of Physics and Electrical Engineering, University of Bremen（不莱梅大学物理与电气工程学院） 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 本文提出了一种多模态潜在扩散模型，通过交叉注意力在共享潜在空间中联合生成MRI和临床表格数据，验证了在单一扩散框架中联合建模MRI和混合类型表格数据的可行性。

Journal ref Proc. SPIE 13925, Medical Imaging 2026: Image Processing, 139252D (April 03, 2026)

TumorXAI: Self-Supervised Deep Learning Framework for Explainable Brain MRI Tumor Classification

TumorXAI: 基于自监督深度学习的可解释性脑部MRI肿瘤分类框架

Abrar Hossain Zahin, Amit Kumar Saha, Tanvir Mridha, Saifur Rahman, Jannatul Ferdous Prome, Raima Husna, Israt Jahan, Ahmed Wasif Reza

机构 * Department of Computer Science and Engineering, East West University（东-西大学计算机科学与工程系） 纠错

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

AI总结 本文提出TumorXAI框架，利用自监督学习对脑部MRI肿瘤进行多类分类，通过预处理、微调和线性评估等步骤，展示自监督模型在有限标注数据下优于监督方法的性能，并结合Grad-CAM等技术提升可解释性。

Comments 16 pages, 9 figures, 6 Tables

Conditional Diffusion Posterior Alignment for Sparse-View CT Reconstruction

基于条件扩散后验对齐的稀疏视图CT重建

Luis Barba, Johannes Kirschner, Benjamin Bejar

机构 * Swiss Data Science Center (SDSC) in Paul Scherrer Institute (PSI)（瑞士数据科学中心（SDSC）在保罗·舍勒研究所（PSI）） ； Swiss Data Science Center (SDSC) and ETH Zurich（瑞士数据科学中心（SDSC）和苏黎世联邦理工学院） ； Swiss Data Science Center (SDSC) and Paul Scherrer Institute (PSI)（瑞士数据科学中心（SDSC）和保罗·舍勒研究所（PSI）） 纠错

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

AI总结 本文提出CDPA方法，结合条件扩散与显式数据一致性，解决稀疏视图CT重建中3D体积扩展问题，通过2D U-Net模型提升切片一致性，并在合成和真实CBCT数据上取得最佳性能。

Are Natural-Domain Foundation Models Effective for Accelerated Cardiac MRI Reconstruction?

自然域基础模型在加速心脏MRI重建中的有效性如何？

Anam Hashmi, Mayug Maniparambil, Julia Dietlmeier, Kathleen M. Curran, Noel E. O'Connor

机构 * Dublin City University（都柏林城市大学） ； University College Dublin（都柏林大学） 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 本文探讨自然域基础模型在加速心脏MRI重建中的有效性，对比了与领域特定模型如BiomedCLIP的性能，并发现基础模型在跨领域场景中更具鲁棒性。

Comments Accepted to CVPRW 2026

Hierarchical Retrieval with Out-Of-Vocabulary Queries: A Case Study on SNOMED CT

具有词汇外查询的分层检索：一项SNOMED CT案例研究

Jonathon Dilworth, Hui Yang, Jiaoyan Chen, Yongsheng Gao, Ernesto Jimenez-Ruiz

机构 * The University of Manchester（曼彻斯特大学） ； SNOMED International（SNOMED国际） ； City St George’s, University of London（伦敦大学城圣乔治学院） 纠错

专题命中 医学影像 ：CT(title,title_cn)；biomedical(abstract)

AI总结 本文研究了SNOMED CT中词汇外查询的分层概念检索问题，提出基于语言模型的本体嵌入方法，在双曲空间中实现高效子概念推理，优于基线方法。

Comments 21 pages, 5 figures, 8 tables, submission to the Transactions on Graph Data and Knowledge (TGDK) journal

Frame forecasting in cine MRI using the PCA respiratory motion model: comparing recurrent neural networks trained online and transformers

利用PCA呼吸运动模型在动态MRI中进行帧预测：比较在线训练的循环神经网络和变换器

Michel Pohl, Mitsuru Uesaka, Hiroyuki Takahashi, Kazuyuki Demachi, Ritu Bhusal Chhatkuli

机构 * The University of Tokyo（东京大学） ； National Institutes for Quantum and Radiological Science and Technology（量子与辐射科学和技术国家研究所） 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 本文研究了利用PCA呼吸运动模型在动态MRI中进行帧预测，比较了在线训练的循环神经网络和变换器在处理呼吸运动补偿中的性能差异。

Comments 43 pages, 19 figures. Revised version with minor corrections and improved figures and language. Accepted for publication in Computerized Medical Imaging and Graphics

Longitudinal 3D Foundation Modeling for Neoadjuvant Breast Cancer Response Prediction from Serial DCE-MRI

用于从系列动态对比增强磁共振成像（DCE-MRI）预测乳腺癌新辅助治疗反应的纵向三维基础建模

Fidel Omar Tito Cruz, Neda Ghafouri, Zengyan Wang, Pegah Khosravi, Yu Tian, Chen Chen

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

AI总结 本研究提出结合三维基础编码器与时间动态网络的纵向框架，融合系列DCE-MRI与临床数据，在982例乳腺癌患者上实现了较好的pCR预测性能。

Comments Accepted at the Applications of Medical AI (AMAI) Workshop at MICCAI 2026

Towards Accurate and Fast Clinical Body Composition: A Resource-Efficient Hierarchical Segmentation Framework for Multi-Source CT

迈向准确快速的临床身体成分分析：一种用于多源CT的资源高效分层分割框架

Xiaodi Shen, Qingzhu Zheng, Yaoyang Qiu, Cien Fan, Ruonan Zhang, Yangdi Wang, Luyao Wu, Weikai Zheng, Longfei Zhao, Bing Li, Rulin Xu, Qiqi Xu, Ren Mao, Shiting Feng, Xuehua Li

机构 * Department of Radiology, The First Affiliated Hospital, Sun Yat-sen University（放射科，中山大学第一附属医院） ； Research & Development Center, Canon Medical Systems (China) Co. Ltd.（研发中心，佳能医疗系统（中国）有限公司） 纠错

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

AI总结 针对CT多源数据异质性及高内存需求问题，提出从粗到细分层框架，用动态间距等优化效率，在多数据集训练评估，Dice系数良好，能在标准CPU工作站平衡准确与效率，实现大规模身体成分分析。

Comments Affiliations: (1) Department of Radiology, The First Affiliated Hospital, Sun Yat-sen University, Guangzhou 510080, China. (2) Research & Development Center, Canon Medical Systems (China) Co. Ltd. Beijing 100015, China

HULFSynth : An INR based Super-Resolution and Ultra Low-Field MRI Synthesis via Contrast factor estimation

HULFSynth: 基于隐式神经表示的超分辨率和超低场MRI合成，通过对比因子估计

Pranav Indrakanti, Luca Trautmann, Ivor Simpson

机构 * LILI Lab, University of Sussex, Brighton, UK（利利实验室，苏塞克斯大学，布里斯托尔，英国） 纠错

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

AI总结 提出无监督单图像双向MRI合成器，基于物理模型估计组织类型信噪比实现高低场转换，并利用隐式神经表示网络实现超分辨率，在合成和真实数据上验证了对比度提升。

Comments Medical Image Understanding and Analysis, MIUA 2026

Improving Generalization in MRI-Based Deep Learning Models for Total Knee Replacement Prediction

基于MRI的深度学习模型在全膝关节置换预测中的泛化能力改进

Ehsan Karami, Hamid Soltanian-Zadeh

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

AI总结 针对MRI深度学习模型在不同来源数据上泛化性差的问题，提出用实例归一化替代批归一化、数据增强和对比损失的方法，在OAI数据集上显著提升分类性能。

Journal ref Proceedings of the 2025 32nd National and 10th International Iranian Conference on Biomedical Engineering (ICBME)

An Open Multi-Center Whole-Body FDG PET/CT Foundation Model for Tumor Segmentation

一种开放的多中心全身FDG PET/CT基础模型用于肿瘤分割

Xiaofeng Liu, Qianru Zhang, Thibault Marin, Menghua Xia, Chi Liu, Georges El Fakhri, Jinsong Ouyang

机构 * Department of Radiology and Biomedical Imaging, Yale Biomedical Imaging Institute, Yale University（放射学与生物医学成像系，耶鲁生物医学影像研究所，耶鲁大学） 纠错

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

AI总结 本文提出了一种开放的多中心全身FDG PET/CT基础模型，通过整合四个公开数据集中的4997份标准化扫描，利用层次UNet结构和早期通道拼接实现解剖和代谢特征的交互，提高了肿瘤分割的标签效率和跨模态表征学习能力。

Comments Code available at: https://github.com/liu-xiaofeng/Foundation-Model-for-PET-CT

3DGR-CT: Sparse-View CT Reconstruction with a 3D Gaussian Representation

3DGR-CT：基于3D高斯表示的稀疏视图CT重建

Yingtai Li, Xueming Fu, Han Li, Shang Zhao, Ruiyang Jin, S. Kevin Zhou

机构 * organization= School of Biomedical Engineering, Division of Life Sciences ； Medicine, University of Science ； Center for Medical Imaging, Robotics, Analytic Computing \& Learning (MIRACLE), Suzhou Institute for Advance Research, USTC , city= Suzhou , postcode= 215123 , state= Jiangsu , country= China ； organization= Key Laboratory of Precision ； organization= Key Laboratory of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS , city= Beijing , postcode= 100190 , country= China 纠错

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

AI总结 本文提出3DGR-CT方法，利用3D高斯表示替代隐式神经表示，通过FBP图像引导初始化和高效可微CT投影器提升稀疏视图CT重建精度与收敛速度，实现高精度实时物理模拟。

Journal ref Medical Image Analysis, Volume 103, 103585, 2025

A Systematic Benchmark of Intensity Normalisation Methods for 3D Knee MRI Segmentation and Cross-Domain Generalisability

用于3D膝关节MRI分割和跨域泛化性的强度归一化方法的系统基准测试

Oliver Mills, Philip Conaghan, Samuel Relton

机构 * University of Leeds（利兹大学） ； NIHR Leeds Biomedical Research Centre（英国国家卫生研究院利兹生物医学研究中心） 纠错

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

AI总结 研究针对膝关节MRI分割，系统比较七种强度归一化方法对3D U-Net模型性能的影响，用IWOAI 2019数据集训练并在内外测试集评估，发现归一化对泛化性有影响但相对域偏移有限，凸显需互补策略。

Comments This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this contribution is published in 30th Annual Conference on Medical Image Understanding and Analysis, MIUA 2026. Code is available at https://github.com/oliverjm1/mri_normalisation. Updated to include acknowledgements and funding information

SARFA: Segment Anything with Radiomic Feature Alignment

SARFA：基于放射组学特征对齐的任意分割

Tyler Ward, Abdullah Imran

机构 * University of Kentucky（肯塔基大学） 纠错

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

AI总结 针对医学成像中目标分割模糊问题，提出SARFA框架，通过概率性提示生成掩码，基于弗雷歇放射组学距离和直接偏好优化进行训练，在CT和MRI基准测试中优于现有方法，有效提升医学图像分割效果。

Comments 15 pages, 9 figures, 5 tables, 1 algorithm

LoSA-Net: A Localized and Scale-Adaptive Network for Boundary-Sensitive Prediction of Perineural Invasion in 3D MRI

LoSA-Net：用于3D MRI中神经周围侵犯边界敏感预测的局部化和尺度自适应网络

Youngung Han, Hyunsu Go, Kyeonghun Kim, Induk Um, Junga Kim, Jaewon Jung, Woo Kyoung Jeong, Won Jae Lee, Pa Hong, Ken Ying-Kai Liao, Hyuk-Jae Lee, Nam-Joon Kim

机构 * Seoul National University（首尔国立大学） ； OUTTA ； Chung-Ang University（Chung-Ang 大学） ； Samsung Medical Center, Sungkyunkwan University School of Medicine（三星医疗中心，成均馆大学医学院） ； Samsung Changwon Hospital（三星昌原医院） ； NVIDIA AI Technology Center（NVIDIA AI 技术中心） 纠错

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

AI总结 研究针对3D MRI中神经周围侵犯（PNI）预测难题，提出LoSA-Net架构，通过TNA、SAFM和CSRA技术，在168例胆管癌患者的对比增强MRI扫描中，该网络AUC达0.7567，优于卷积和Transformer基线。

Comments Published in the 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI 2026); accepted for oral presentation

Journal ref 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI), 2026

MMA-Former: Multi-Window Mixture-of-Head Attention Transformer for Adaptive PNI Prediction in 3D MRI

MMA-Former：用于3D MRI中自适应PNI预测的多窗口混合注意力头变压器

Youngung Han, Induk Um, Kyeonghun Kim, Junga Kim, Hyunsu Go, Jaewon Jung, Woo Kyoung Jeong, Won Jae Lee, Pa Hong, Ken Ying-Kai Liao, Hyuk-Jae Lee, Nam-Joon Kim

机构 * Seoul National University（首尔国立大学） ； OUTTA ； Chung-Ang University（Chung-Ang 大学） ； Samsung Medical Center, Sungkyunkwan University School of Medicine（三星医疗中心，全北大学医学院） ； Samsung Changwon Hospital（三星昌原医院） ； NVIDIA AI Technology Center（NVIDIA AI 技术中心） 纠错

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

AI总结 针对3D MRI无创预测PNI的挑战，提出MMA-Former，采用粗-细变压器结构及窗口特定混合注意力机制，能并行多尺度提取特征，实现空间自适应特征提取，在回顾性数据集上AUC达0.752，优于其他架构。

Comments Published in the 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI 2026); accepted for oral presentation

Journal ref 2026 IEEE 23rd International Symposium on Biomedical Imaging (ISBI), 2026

Predicting gestational age at birth in the context of preterm birth from multi-modal fetal MRI

基于多模态胎儿MRI预测早产背景下的出生胎龄

Diego Fajardo-Rojas, Megan Hall, Daniel Cromb, Mary A. Rutherford, Lisa Story, Emma C. Robinson, Jana Hutter

机构 * Leibniz University Hannover（莱布尼茨汉诺威大学） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；biomedical(comments,journal_ref)；分类 cs.LG

AI总结 提出结合多模态胎儿MRI和机器学习流程预测出生胎龄，包括数据插补、特征选择和回归模型，在333例对照和93例早产数据上评估，R²=0.13，MAE=2.74周，准确率0.77。

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:013

Journal ref Machine.Learning.for.Biomedical.Imaging. 2026 (2026)

Contrast-X: A Multi-Modal Contrast Image Synthesis Benchmark and Universal Modality Flow Matching

Contrast-X：一个多模态对比图像合成基准及通用模态流匹配

Yifan Chen, Fei Yin, Hao Chen, Jia Wu, Chao Li

机构 * University of Cambridge（剑桥大学） ； MD Anderson Cancer Center（MD安德森癌症中心） ； University of Dundee（邓迪大学） 纠错

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

AI总结 Contrast-X通过多器官CT和乳腺DCE-MRI数据，提出FlowMI模型解决多模态缺失问题，评估合成图像质量及跨器官泛化能力。

Learning from Noisy Prompts: Saliency-Guided Prompt Distillation for Robust Segmentation with SAM

从噪声提示中学习：基于显著性的提示蒸馏用于具有SAM的鲁棒分割

Jingxuan Kang, Ziqi Zhang, Shaoming Zheng, Shuang Li, Uday Bharat Patel, Alexander Harry Fitzhugh, Phillip Lung, Yusuf Kiberu, Nikesh Jathanna, Shahnaz Jamil-Copley, Bernhard Kainz, Chen Qin

机构 * Imperial College London（伦敦帝国学院） ； Beihang University（北航） ； National Health Service（国家卫生服务） ； University of Nottingham（诺丁汉大学） 纠错

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

AI总结 本文提出SPD框架，通过数据驱动的解剖先验知识和上下文提示蒸馏，提升在噪声提示下的分割鲁棒性，实验表明其在MRI和CT基准上优于现有方法。

Comments Accepted to CVPR 2026 (Findings Track)

RadImageNet-VQA: A Large-Scale CT and MRI Dataset for Radiologic Visual Question Answering

RadImageNet-VQA：一个大规模的CT和MRI数据集用于放射学视觉问答

Léo Butsanets, Charles Corbière, Julien Khlaut, Pierre Manceron, Corentin Dancette

机构 * Raidium ； Université de Paris Cité, Hôpital Européen Georges Pompidou, AP-HP（巴黎西岱大学，乔治·蓬皮杜欧洲医院，AP-HP） ； Department of Vascular and Oncological Interventional Radiology, INSERM（血管与肿瘤介入放射学系，法国国家健康与医学研究院） 纠错

专题命中 医学影像 ：MRI(title,abstract)；CT(title,abstract)；pathology(abstract)；biomedical(abstract)

AI总结 本文提出RadImageNet-VQA数据集，包含750万张图像和750万个问题-答案对，涵盖异常检测、解剖识别和病理识别三大任务，验证了视觉语言模型在细粒度病理识别上的局限性。

Comments Preprint, 33 pages, 15 figures, 11 tables

Lesion-Aware Post-Training of Latent Diffusion Models for Synthesizing Diffusion MRI from CT Perfusion

Junhyeok Lee, Hyunwoong Kim, Hyungjin Chung, Heeseong Eom, Joon Jang, Chul-Ho Sohn, Kyu Sung Choi

机构 * College of Medicine, Seoul National University, Seoul, Republic of Korea（首尔国立大学医学院） ； Department of Radiology, Seoul National University Hospital（首尔国立大学医院放射科） ； Department of Biomedical Sciences, Seoul National University（首尔国立大学生物医学科学系） 纠错

专题命中 医学影像 ：MRI(title,abstract)；CT(title,abstract)；medical image(abstract)；diagnosis(abstract)

Comments MICCAI 2025, Lecture Notes in Computer Science Vol. 15961

Journal ref Med Image Comput Comput Assist Interv. LNCS 15961, 282-291, Springer, 2026

Evaluating General Purpose Vision Foundation Models for Medical Image Analysis: An Experimental Study of DINOv2 on Radiology Benchmarks

Mohammed Baharoon, Waseem Qureshi, Jiahong Ouyang, Yanwu Xu, Abdulrhman Aljouie, Wei Peng

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