AITOP

医学影像

共 34 条相关 AI 资讯
8月19日
11:41
11:41官方账号arXiv cs.LG@Veronika Spieker, Wenqi Huang, Cemre Ariyurek, Liam Timms, Daniel Rueckert, Onur Afacan, Julia A. Schnabel, Sila Kurugol
研究人员提出了一种基于原始表示的多维框架用于动态对比增强MRI重建。该框架将解剖结构、动态对比增强和残余运动分离为不同的时间基函数，实现了几何解释。在主动脉和肾脏增强曲线提取准确性方面，该方法与传统重建方法性能相当。代码已在GitHub开源，项目名为2026-GaborDCE-spieker。
论文MRI动态对比增强原始表示学习
推荐理由：医学影像领域新突破：用原始表示学习重建动态对比增强MRI，无需大量训练数据。
原文
8月11日
11:10
11:10官方账号arXiv cs.LG@Akash Gogineni, Nagur Shareef Shaik, Aasrith Mandava, Adnan Masood, Dong Hye Ye
C²A是一种新的分类头，将池化视为对学习到的每类空间注意力图的期望，为每种疾病生成局部描述符。它通过从经验标签共现初始化的可学习图耦合这些描述符，并用单次残差消息传递在相关发现间共享证据。在CheXpert上，C²A的宏平均AUROC达到0.895，优于先进上下文门控基线。增益集中在共现度高且空间证据模糊的类别上，如肺不张比GCG高出1.5个百分点，且仅增加一个线性投影和C×C边矩阵的开销。
论文C²ACheXpert多标签分类
推荐理由：胸片多标签分类老问题，C²A用共现先验加注意力，CheXpert上0.895 AUROC，比GCG强，开销还小，值得搞医学影像的看看。
原文
11:07
11:07官方账号arXiv cs.LG@Nagur Shareef Shaik, Jeongwoo Park, Yeong-Jin Kim, Jaeuk Jung, Hyunjung Oh, Dong Hye Ye
视网膜眼底图像常同时存在多种病理，但标准深度学习分类器对所有图像施加静态相同计算。研究者提出新架构，结合引导上下文门控空间注意力和稀疏路由专家混合模块，实现可解释的数据驱动分解。专家分配显著依赖疾病，健康状态和形态学上不同的病理隔离到专属专家。在五类患者分离的5折交叉验证中，模型达到0.912±0.008宏AUC和0.653±0.014宏F1。Grad-CAM++和t-SNE可视化证实专家路由与局部病灶对齐，并将共病案例映射到其组成簇之间。
论文视网膜MoE稀疏路由
推荐理由：这篇论文用稀疏MoE做视网膜多病分类，专家分配能对应具体病灶，宏AUC到0.912，搞医学影像的可以看看。
原文
8月5日
11:41
11:41官方账号arXiv cs.AI@Mercy Prasanna Ranjit, Anirban Porya, Sathvik Joel, Niharika Vadlamudi, Nikhilesh Chowdary Eathamukkala, Prasanth V, Abhyuday Kumara Swamy, Pranay Narhari Umredkar, Pradeep Narayan, Vivek Rajagopal, Tanuja Ganu
CARE-X 在生成骨干网络上增加焦损失分类与复合损失定位头，与语言建模目标联合训练，使胸片报告生成、发现分类和空间定位互相增强。配合任务级奖励优化的 DAPO 策略，该方法在四个报告生成基准的大部分指标上达到最优，ReXVQA 视觉问答准确率 94.0%，比次优基线高 6.0 个百分点。此外，将 Qwen3-VL-4B-Instruct 与可调用确定性测量工具的原生工具能力结合，在五个依赖测量的诊断场景中平均 F1 比仅靠感知的基线高 43.6 个百分点。
论文CARE-XQwen3-VL胸片
推荐理由：医学影像领域的小伙伴可以看看这篇，CARE-X 把胸片分类、定位、报告生成整合到一个模型里，还靠工具调用做解剖测量，临床实用性比纯生成模型强不少。
原文
8月4日
12:24
8月3日
09:31
09:31官方账号arXiv cs.LG@Priya Tomar, Aditya Parikh, Christian Bauckhage, Rafet Sifa
该研究将类特定解码器架构扩展到跨手术域知识迁移，使用直肠和胆囊切除术两个数据集验证。实验表明，器官特定解码器模型CEMD在跨域预训练后全微调，分割性能达到62.4%Dice，且收敛速度明显快于从零训练。但类别不平衡问题依然存在，迁移学习对少数解剖结构的改善有限。
论文CEMD迁移学习腹腔镜分割
推荐理由：这篇论文把迁移学习用在腹腔镜多器官分割上，CEMD模型微调后Dice到62.4%，还比从零训练快不少，做医学影像分割的值得看看。
原文
7月31日
12:25
12:25官方账号arXiv cs.LG@Ruman Wang, Hangting Ye
ScaFE将临床知识从大语言模型转移到确定性的可执行特征程序，而非直接让模型诊断图像。在来自三家医院的600张照片上，ScaFE达到81.0%的站点宏平衡准确率，比最强基线BiomedCLIP高出10.0个百分点。仅用10%的开发数据时，ScaFE保持72.0%的平衡准确率，仍领先11.8个百分点。迭代修复将可执行程序率从66.7%提升到95.0%，91.7%的最终特征有验证证据。该方法表明LLM知识能通过本地可审计的特征程序支持跨医院的医学图像分类。
论文ScaFELLMBiomedCLIP
推荐理由：这篇论文发了个叫ScaFE的方法，让LLM写图像特征程序来分类疤痕，照片不用出本地，比BiomedCLIP高10个点，数据少也够用。
原文
7月30日
11:16
7月29日
11:27
7月28日
12:27
12:27官方账号arXiv cs.AI@Krithi Shailya, Ananya Lakshmi Ravi, Venkatanathan K. V., Sowmya S. Sundaram, Gokul S. Krishnan, Aditi Anand, Balaraman Ravindran
研究者提出KANEx框架，首次利用KAN（Kolmogorov-Arnold Networks）的符号透明性来支撑VLM推理，从而生成更可信的文本解释。同时设计了KAN-Map热力图方法，直接从KAN模型导出而非梯度近似。在MIMIC-CXR数据集上，基于KAN的ResNet/ViT架构语义相似性提升，并产生更忠实的显著性图。定位和推理质量比基线提高10%。论文认为将语言解释和视觉归因建立在数学可解释单元上是可信医疗AI的必要步骤。
论文KANExKANMIMIC-CXR
推荐理由：这篇论文展示了KAN不只是理论上可解释，还能落地到医学影像中，让解释更可靠，比标准ResNet/ViT定位准确率提升10%。
原文
7月23日
11:33
11:33官方账号arXiv cs.AI@Soroosh Tayebi Arasteh, Sebastian Ziegelmayer, Mahshad Lotfinia, Lisa Adams, Sven Nebelung, Jakob Nikolas Kather, Daniel Truhn
该论文研究了医学影像基础模型表征收敛的原因。通过对比18个图像编码器和7个文本编码器（参数从7M到27B，涵盖五种成像模态，使用650,982张胸片），发现自监督目标的收敛度（40.4%）远高于标签监督（21.1%）和图像-文本（3.3%）。收敛度随模型规模增长不显著（Spearman 0.302，p=0.223）。线性分类器跨编码器转移后仍保留约85%的原始性能。结论是自监督目标而非临床监督驱动了表征收敛。
论文医学影像自监督学习表征学习
推荐理由：这篇论文用大量数据和对照实验拆解了医学基础模型表征收敛的真正原因，发现关键不是临床标签而是自监督目标，对训练和评估模型很有启发。
原文
7月17日
09:25
09:25官方账号arXiv cs.LG@Sara Ketabi, Matthias W. Wagner, Cynthia Hawkins, Uri Tabori, Birgit Betina Ertl-Wagner, Farzad Khalvati
该论文提出MseaCL框架，在儿科3D脑部MRI和放射学报告的多模态对比学习中，通过语义相似性引导减少假阴性样本。传统对比学习将非配对样本视为负例，但医学影像中语义相似的样本常被误判为负例。MseaCL在儿科队列上训练，将报告语义相似度作为信号，下游任务中儿科脑肿瘤分子分类AUC提升至少22.6%。
论文MseaCL多模态对比学习
推荐理由：新论文用语义感知对比学习解决医学影像的假阴性问题，在脑肿瘤分类上AUC涨了22.6%，值得搞多模态医疗AI的人看看。
原文
7月16日
11:09
11:09官方账号arXiv cs.LG@Brunnhilde Ponsi, Thomas Carlier, Lara Marteau, Aurélien Monnet, Thomas Eugène, Jean-Michel Serfaty, Nicolas Piriou, Hatem Necib
该研究提出一种两步聚类方法，处理99名心律失常性左心室心肌病患者的T1和T2图、LGE及18F-FDG-PET图像。每张图经z-score归一化后合并为单个体素，再聚类成超体素，通过谱聚类得到32组超体素。每个簇和模态被赋予“异常”分数，用于可视化疾病相关区域。该方法在患者上重复嵌套交叉验证的平衡准确率达0.76±0.04，在167个数值体模上≥0.8。生成的自动报告与心脏影像医生评估高度一致，能识别纤维化和炎症区域。
论文PET/MRI聚类心肌病
推荐理由：这篇论文教你用无监督聚类自动分析心脏PET/MRI，在99名患者上准确匹配医生判断，省时省力。
原文
7月13日
15:21
09:59
08:40
7月8日
09:59
09:59官方账号arXiv cs.LG@Dexuan Li, Yupeng Wu, Chenglong Wang, Hanlin Liu, Hui Zhen, Jianqi Li, Guang Yang
精选
本文提出Lorentz Encoding（LE），一种物理信息驱动的自监督框架，用于从稀疏采样数据重建CEST MRI高分辨率Z谱。LE通过将坐标投影到由洛伦兹剖面和学习基函数组合的物理约束空间，降低噪声并保证与物理模型的一致性。在人体脑部数据39点采样策略下，LE达到PSNR 57.58 dB和SSIM 0.9994，显著优于现有方法。其学习到的编码在潜在空间中形成连续几何轨迹，确保APT、NOE、MT等代谢物定量映射的准确性。
论文CEST MRILorentz Encoding物理信息驱动
推荐理由：这篇论文用物理约束的编码方法搞定了CEST MRI的稀疏重建，39个采样点就能达到57.58 dB的PSNR，比传统方法准得多，适合做医学影像重建的同学看看。
原文
7月7日
12:16
11:59
11:59官方一手pandaily@contact@pandaily.com (Pandaily)
7月4日，杭州德适医疗在钓鱼台国宾馆发布iMedLoop全球医学影像数据平台。该平台覆盖医学影像采集、诊断、管理全链路，旨在构建医疗AI生态系统。iMedLoop整合多模态影像数据，支持AI模型训练与临床辅助决策。
AI产品iMedLoop德适医疗医学影像
推荐理由：德适医疗搞了个iMedLoop平台，把医学影像数据从采集到AI分析全链条打通了，做医疗AI的可以关注下。
原文
03:06
6月30日
11:19
11:19官方账号arXiv cs.LG@Alia Tarek, Hamsa Saberr, Hamza Elghonemy, Youssef Afify, Tamer Basha, Omair Shahzad Bhatti, Abdulrahman M. Selim, Hasan Md Tusfiqur Alam Daniel Sonntag
TRACE是一个概念瓶颈模型，用于对纵向3D MRI进行4分类胶质母细胞瘤反应评估，严格对齐RANO 2.0标准。该模型在LUMIERE数据集上通过5折患者交叉验证，实现了4类macro F1为0.4769，二分类（进展vs非进展）macro F1为0.7085。TRACE先预测肿瘤测量作为根概念，再通过确定性规则计算下游RANO衍生概念，并引入扫描间隔和新病灶信息。消融实验表明专家RANO图和干预一致性训练对性能至关重要，干预实验显示修正概念可提升下游预测。
论文TRACELUMIERERANO
推荐理由：想理解脑肿瘤MRI评估的黑箱？TRACE用概念瓶颈让模型决策透明可验证，在LUMIERE上表现接近非可解释方法，值得看。
原文
6月25日
09:47
09:47官方账号arXiv cs.AI@Shangkun Li, Jie Xu, Yi Guo, Zeju Li, Yuanyuan Wang
BrReMark框架通过先假设异常并用边界框标注病灶区域，再重新检查验证，提升了空间可解释性。训练结合结构化推理轨迹的监督微调与强化学习，奖励定位准确性和诊断推理。采用域随机化病理合成增强策略，提升了对分布外数据的泛化性。内部基准上mAP50从0.74%提升至37.54%，临床F1达21.57%，诊断准确率45.26%。NOVA OOD基准上假阳性较当前最优方法减少45.7%，表明能有效降低对罕见病理的幻觉。
论文BrReMark医学影像异常检测
推荐理由：这篇论文提出BrReMark，通过先假设再验证的标注机制，大幅提升了脑MRI诊断的可信度和定位精度，值得关注。
原文
6月23日
10:52
10:52官方账号arXiv cs.AI@Hongqiao Dong, Wenhao Chi, Ruobing Liang, Xiaokui Yang, Wenhua Liang, Peng Hou, Wenjun Pu, Yipeng Zhao, Ping Chen, Haiping Liu, Jianxing He, Bo Liu
Hi-Seg是一种基于SAM的人机循环分割框架，用于肺结节CT图像分割。研究使用了来自12个中心1179名患者的胸部CT扫描进行外部验证。所有标注者组平均Dice得分接近85%，优于5个最先进的深度学习模型（10-22%）和13个SAM变体（1-29%）。经过短期训练的非医学标注者达到了与初级医学生相当的性能。该工作表明人机循环分割可减少临床医生工作量并实现可扩展的众包标注。
论文SAMHi-Seg肺结节分割
推荐理由：这篇论文用SAM加人工迭代的方法做肺结节分割，Dice近85%，比13种SAM变体都强，非医学人员培训后也能干医学标注的活。
原文
6月10日
03:33
03:33The Rundown AI@therundownai
Mayo Clinic 研究人员开发了名为 REDMOD 的 AI 模型，能在常规 CT 扫描中提前最多三年检测出胰腺癌。该研究发表在《Gut》期刊上，对近 2000 次扫描进行了测试，包括最初被放射科医生判读为正常的扫描。REDMOD 在诊断前平均 475 天识别出 73% 的隐藏癌症，检出率是专家放射科医生的近两倍。对于诊断前两年以上的扫描，AI 发现的病例数几乎是放射科医生的三倍。该工具通过分析微妙的组织纹理模式，为五年生存率低于 15% 的最致命癌症之一带来了早期诊断的希望。
AI产品AI 模型胰腺癌医学影像
推荐理由：胰腺癌早期发现率极低，REDMOD 模型能提前三年从常规 CT 中捕捉到肉眼难以察觉的病变，对放射科医生和肿瘤科医生来说，这是直接可用的筛查工具，值得关注。
原文
6月8日
09:19
09:19官方账号arXiv cs.AI@Prabhjot Kaur, Hakim Ouaalam, Sedat Kandemirli, Sanjay P. Prabhu, Simon K. Warfield
该研究利用条件生成网络生成模拟局灶性皮质发育不良（FCD）的合成MRI图像，并评估其在自动检测中的效果。两位神经放射科医生对真实与合成图像的区分准确率仅60%-70%，表明合成图像具有较高真实性。将合成数据用于训练nnU-Net模型，使检测灵敏度提升8.14%，模型置信度显著提高。研究显示，合成数据可减少约20%的标注数据需求，但同等量的真实数据仍更有效。
论文合成数据医学影像局灶性皮质发育不良
推荐理由：医学影像团队面临标注数据稀缺的痛点，这项研究展示了合成数据如何缓解FCD检测中的标注瓶颈，做神经影像分析或罕见病检测的开发者值得关注其方法。
原文
6月5日
12:39
12:39官方账号arXiv cs.LG@Tengfei Zhang, Ziheng Zhao, Lisong Dai, Xiaoman Zhang, Pengcheng Qiu, Ya Zhang, Yanfeng Wang, Weidi Xie
精选
该研究提出了一个实体感知的跨图像比较推理框架 MedReCo，用于解决放射科实践中依赖前后对比和参考病例的诊断需求。研究构建了 MedReCo-DB 大规模数据集，包含来自 8 家机构、4 个国家、7 种影像模态的 69 万张图像，并将报告分解为解剖结构、异常发现和病理条件。基于此，开发了用于可控检索的 MedReCo 编码器和用于生成式比较解读的 MedReCo-VLM 视觉语言模型。在内部、外部和跨中心评估中，MedReCo 在 12 项内部检索设置中均取得最高 Recall@1，外部检索平均提升 6 个百分点；MedReCo-VLM 在比较生成评估中全面最优，纵向随访准确率提升 14.5-46.5 个百分点（胸片）和 13.0-27.9 个百分点（CT）。这表明实体感知的比较推理可从常规临床数据中大规模学习，为医学影像 AI 提供更贴近临床的范式。
论文医学影像比较推理视觉语言模型
推荐理由：放射科医生和医学影像 AI 研究者终于有了一个能真正做前后对比和参考病例检索的框架——MedReCo 在 12 项检索任务中全胜，做临床 AI 落地的团队值得关注。
原文
6月2日
11:09
11:09官方账号arXiv cs.AI@Yogesh Kumar Meena, Saurabh Agarwal, K. V. Arya
研究人员提出RL-ACRGNet，一种结合预训练DenseNet编码器和多级LSTM解码器的改进编码器-解码器模型，用于自动生成胸部X光报告。该模型在离策略强化学习框架下，通过双网络结构和基于度量的奖励机制优化视觉-语义嵌入，在IU-Xray数据集上BLEU-4、METEOR和ROUGE-L指标分别提升0.47%、0.17%和0.518%，并在MIMIC-CXR数据集上验证了其泛化能力。这项研究旨在解决手动生成放射报告耗时且不一致的问题，推动医学影像AI的自动化诊断流程。
论文医学影像强化学习报告生成
推荐理由：医学影像团队终于有了更精准的自动报告生成方案——RL-ACRGNet通过强化学习优化视觉语义对齐，做医疗AI的开发者可以直接参考其双网络奖励机制来提升模型临床相关性。
原文
6月1日
10:08
5月27日
10:50
10:50官方账号arXiv cs.LG@Ethan Harvey, Dennis Johan Loevlie, Michael C. Hughes
精选
在3D医学图像分析中，通常只有整个体积的单一标签，而非每张2D切片都有标签。弱监督学习下，注意力机制的多实例学习（MIL）可为每张切片生成注意力分数，但近期研究发现，一个忽略图像内容的简单中心聚焦基线方法，在脑部扫描切片分类上竟优于基于注意力和Transformer的MIL方法。该研究进一步验证，该基线在胸部和腹部CT扫描的切片分类上也表现更优。为此，作者提出Normal Guidance正则化技术，鼓励学习到的注意力分布遵循钟形曲线。在三个医学影像数据集（总计超过400万张2D切片）上，Normal Guidance使基于注意力和Transformer的MIL方法在切片级定位上显著优于现有技术，同时在全扫描分类上保持竞争力。
论文弱监督学习注意力机制医学影像
推荐理由：做医学影像分析的团队终于有了一个简单有效的正则化技巧——Normal Guidance能显著提升弱监督下的切片定位精度，比现有MIL方法更准，建议做3D医学图像分类的开发者试试。
原文
5月20日
15:36
15:36官方账号arXiv cs.AI@Guangzhi Xiong, Qiao Jin, Sanchit Sinha, Zhiyong Lu, Aidong Zhang
精选
大型视觉语言模型在医疗应用中潜力巨大，但其回答缺乏视觉证据的可信归因，引发临床信任问题。现有归因方法无法验证是否真正反映模型决策依据，因为缺乏内部推理的真实标注。研究者开发了因果评估框架，通过反事实编辑验证专家标注区域是否因果影响模型预测，并测试了11种归因方法、6个开源LVLM和两种输出模式。结果发现现有方法常无法识别模型使用的视觉证据。为此提出MedFocus，基于不平衡最优传输定位临床解剖区域，并通过定向干预测量因果效应，在空间、概念和词元层面显著优于现有方法。数据和代码已开源。
论文视觉归因医学影像因果评估
推荐理由：医疗AI的信任危机终于有了可验证的归因方案——MedFocus让医生能看清模型到底看了哪里才下诊断，做医学影像AI的团队值得试试这个因果框架。
原文
10:05
10:05官方账号arXiv cs.AI@Tonghao Zhuang, Shanglong Hu, Yongsheng Luo, Zhiqi Zhang, Yu Li
精选
该研究提出了一种半监督框架，用于胎儿心脏超声图像的联合分割与分类。方法基于EchoCare多任务骨干网络，集成SAM-Med2D进行边界细化，并利用DINOv3提升伪标签质量。引入视图特定硬掩码和两阶段优化策略：EMA阶段巩固分割能力，分类微调阶段冻结分割参数并重置分类头，以恢复分类性能而不损害分割效果。在FETUS 2026排行榜上，该方法达到79.99%的Dice系数、61.62%的归一化表面距离和41.20%的F1分数，验证了其在产前先天性心脏病筛查中的有效性。代码已开源。
论文半监督学习医学影像胎儿心脏超声
推荐理由：这项研究解决了胎儿心脏超声分析中标注数据稀缺的痛点，做医学影像AI的团队可以直接参考其半监督框架和开源代码，值得关注。
原文
5月18日
10:35
10:35官方账号arXiv cs.LG@Chaeyeon Lee, Sehwan Kim, Hyungrok Do
精选
QSurv 是一个可扩展的深度学习框架，用于非参数连续时间生存建模，避免了传统方法对时间离散化或分布假设的依赖。它采用 Gauss-Legendre 数值积分来近似累积风险函数，实现高效端到端训练。此外，QSurv 引入了时间条件低秩适配机制，使神经网络能够动态捕捉非平稳风险动态。理论分析证明了累积风险评估的误差界。在合成数据、大规模表格数据和医学影像任务上，QSurv 在预测性能和风险函数估计方面均优于现有方法。
论文生存模型非参数建模数值积分
推荐理由：生存分析领域终于有了一个不依赖离散化或分布假设的深度学习方案，做医学影像或高维数据风险建模的团队可以直接用 QSurv 获得更准确的风险曲线，值得关注。
原文
5月12日
19:10
19:10官方一手arXiv: OpenAI@Wenxuan Li, Pedro R. A. S. Bassi, Xinze Zhou, Jakob Wasserthal, Alan L. Yuille, Zongwei Zhou
RadThinking是一个用于放射学纵向临床推理的视觉问答数据集，覆盖20362次CT扫描、9131名患者和2077名健康对照。数据集按推理深度分为三级：基础感知问题、单步规则推理问题和需要多步链式思维推理的组合问题。每个组合问题都附带基于临床报告标准的链式思维路径。该数据集首次将癌症筛查临床推理分层标注，支持训练和评估AI系统的推理能力而不仅仅是检测能力。
论文医学影像推理模型视觉问答
推荐理由：该数据集为训练AI进行符合临床指南的多步推理提供了标准化基准，对医学影像AI从感知向认知升级有重要价值。
原文
5月11日
11:43
11:43官方账号arXiv cs.LG（学术论文）
PET-Adapter是一种针对PET图像重建的测试时域自适应框架，用于生成式PET重建模型。该框架仅需在体模数据上预训练，即可适配到不同解剖结构、示踪剂和扫描仪的临床数据集，无需配对真值。它通过逐层低秩解剖条件调制和基于有序子集期望最大化的热启动，将扩散步骤从50步减少到2步，显著提升计算效率。在多个临床数据集上的实验表明，该方法在全角度和有限角度设置下均实现了优越的3D重建性能，验证了其临床可行性和计算优势。
论文图像重建PET-Adapter测试时自适应
推荐理由：该研究通过测试时自适应解决了深度学习PET重建模型的泛化困境，显著降低了计算成本，为临床实时部署提供了可行方案。
原文