AITOP

医学影像

共 18 条相关 AI 资讯
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物理信息驱动自监督重建医学影像
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
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医学影像概念瓶颈
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理模型合成数据
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肺结节分割人机协作医学影像
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Mayo ClinicREDMOD
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自动检测生成网络
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检索放射科
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DenseNetLSTM
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正则化MIL
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LVLM开源/仓库
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SAM-Med2DDINOv3
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深度学习医学影像
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临床报告标准癌症筛查
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测试时自适应扩散模型医学影像
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