📊 Medical Imaging AI Weekly Papers

本研究提出了一种在深度学习超声心动图分割模型训练过程中检测并修正标注错误的新策略，并通过在CAMUS数据集上模拟三类错误验证了该方法的有效性。

该论文提出了一种区域感知的双编码器辅助学习框架，通过结合几何连续性与语义理解来生成伪标签，以解决极弱监督医学图像分割中现有方法缺乏语义理解的问题。

该论文提出了GPAFormer，一种结合图引导补丁聚合机制的轻量级Transformer网络架构，用于在保持高精度的同时提升3D医学图像分割的计算效率。

该论文提出了一种针对三维CT分割的高效KernelSHAP框架，通过将计算限制在用户定义的感兴趣区域及其感受野内，并利用patch logit缓存机制加速推理，从而降低了基于扰动的可解释性方法在三维医学图像分割中的计算成本。

本文提出了一种轻量级的时间门控适配器，用于将视觉语言模型应用于3D医学图像分割，以解决直接处理2D切片时产生的噪声和解剖结构不合理问题。

本文提出了GCNV-Net框架，通过结合非空体素化、三向动态非空体素变换器与几何交叉注意力模块，提升了三维医学图像分割的准确性与计算效率。

本文提出了一种基于学习延迟范式的医学图像分割框架DeferredSeg，通过引入多专家延迟机制构建人机协作系统，以解决现有模型在模糊区域置信度不可靠的问题。

本研究将体积感知Dice损失函数引入深度学习框架，以提升头颈部癌自适应MR引导放疗中原发肿瘤与转移淋巴结的自动勾画性能。

该论文提出了CATMIL统一目标函数，通过基于连通组件自适应加权的辅助项平衡不同大小病灶的影响，并结合多示例学习引入病灶级监督，以提升脑部MRI中小结构的分割性能。

该论文提出了SwinTextUNet多模态分割框架，将基于CLIP的文本特征嵌入整合至Swin Transformer U-Net中，以解决仅依赖视觉特征在低对比度医学图像分割中的局限性。

本文提出了一种结合大语言模型与磁共振专业技能的智能体框架，用于自动开发符合物理规律的磁共振序列。该方法通过结构化提示与错误反馈机制，解决了传统序列编程耗时且易产生物理不一致性的问题。

VERITAS提出了一种多智能体系统，能够自主对多模态临床数据集进行自然语言假设检验，并生成完全可审计的分析过程。

Camyla提出了一个无需人类干预的医学图像分割全自主研究系统，能够将原始数据集转化为研究提案、可执行实验及完整论文。该系统针对长周期自主实验中存在的搜索方向偏移、历史知识退化与失败恢复等挑战提供了解决方案。

本文开发并部署了一套用于胸部肿瘤委员会的多智能体系统，实现了患者病例摘要的自动化生成。该系统替代了原有的人工AI工作流，提升了病例讨论的效率。

本文提出了一种针对腹腔镜手术中术前与术中器官表面形变及噪声失配问题的可变形配准方法，以实现患者特异性三维模型在术中的可靠融合。

本文提出了一种免训练的多模态医学图像配准框架Search-MIND，通过粗到细的迭代优化策略实现针对特定实例的配准，以解决深度学习模型在未见模态上的泛化问题。

CRFT提出了一种基于特征流学习的由粗到细跨模态图像配准统一框架，通过在Transformer架构中联合执行特征对齐与光流估计来学习模态无关的特征流表示。该框架利用粗阶段建立全局对应关系，并通过细阶段优化局部细节。

本文提出了一种结合临床信息的粗到细多模态框架，用于质子治疗中纵向CT图像的形变配准。该方法在深度学习模型中引入了超越图像本身的临床先验信息，以解决现有方法无法满足在线自适应流程速度需求且未充分利用临床信息的问题。

本文提出一种热启动的强化学习方法，用于术前CT与术中腹腔镜视频的迭代3D/2D肝脏配准，以替代额外的优化细化步骤。

本文将旋转等变卷积引入脑MRI形变配准网络中，以利用解剖结构的旋转对称性。

本文提出了AbdomenGen序列体积分条件扩散框架，用于可控的腹部解剖结构生成，并引入了体积控制标量（VCS）以解耦器官尺寸与体型，实现可解释的体积调节。

本文提出一种三通道去噪扩散概率模型，能够同时生成单侧乳腺的CC和MLO双视图乳腺X光图像，以解决现有数据集中缺乏成对视图的问题。

本文提出了一种证据感知的自纠正强化学习框架，通过引入基于分组的证据感知对齐奖励机制来提供临床忠实度指导，并结合自纠正偏好学习方法以实现对临床偏好的显式对齐。

本文提出了一种名为CWCD的类别级对比解码方法，用于提升多模态大语言模型在结构化医学报告生成中的表现。该方法通过在解码阶段引入类别级对比机制，以解决胸部X光片中解剖结构重叠与病理特征细微带来的诊断挑战。

本文提出了一种针对图像质量变化的鲁棒性放射学报告生成框架，以解决现有视觉语言模型在处理含噪和伪影的低质量X光图像时性能严重退化的问题。

该论文提出了一种通过视觉注视提示微调大语言模型来生成放射学报告的方法，将放射科医生的眼动注视数据作为先验知识引入模型。该方法利用注视数据引导特征提取，以提升生成报告与疾病表现之间的对齐度及可解释性。

本文提出了一种用于巴氏涂片细胞学中Bethesda细胞检测的多阶段优化框架，旨在提升计算机视觉模型的细胞检测性能。

该论文构建了首个犬气胸像素级标注公开数据集，并提出了一种将视觉语言模型引导的流匹配与光谱异常检测相结合的可解释性诊断新范式。

本文提出了DosimeTron智能体系统，利用GPT-5.2作为推理引擎并结合多种工具，实现了PET/CT检查中自动化、个性化的蒙特卡洛内照射剂量测定。

该论文构建并公开了DoseRAD2026数据集，提供了配对的CT与MRI数据及光子和质子蒙特卡洛剂量分布。该数据集为开发与评估放疗中基于CT和MRI的快速准确剂量计算方法提供了基准。

该论文提出了一种名为Energy-Shifting的学习框架，通过深度学习从单能输入直接合成6 MV直线加速器的剂量分布，从而加速蒙特卡洛放射治疗剂量计算。该方法避免了传统降噪技术依赖低计数剂量图的问题，在未见过的数据集上实现了跨域泛化。