📊 Medical Imaging AI Weekly Papers

该论文提出了一种拓扑约束的量化nnUNet框架，通过在量化感知训练中引入特定的拓扑损失，在保持计算效率的同时解决了量化带来的空间畸变问题，从而实现了保留牙齿数量、邻接关系及空腔完整性的三维牙齿分割。

本文提出了开源工具Dante，为Dafne联邦学习框架提供深度学习模型的预训练与参数高效微调功能，以解决医学图像分割中目标域标注数据稀缺时的模型适应问题。

本文提出了一种高效的数据增强方法，通过单一序列生成多种对比度数据，解决了CT与MRI跨域三维脊柱分割中因成像协议差异导致的模型泛化能力不足问题。

本文提出了一种基于熵的公平主动学习方法，旨在缓解医学图像脑分割任务中不同敏感属性群体间的性能差异。

该论文提出了ZScribbleSeg框架，通过建模高效标注与最大化涂鸦监督，解决了医学图像弱监督分割中因监督不足和形状信息不完整导致的分割不准确问题。

本文构建了面向真实临床场景的持续医学图像分割综合基准，将研究视角从单一的缓解遗忘扩展至对模型可塑性等其他关键特性的全面评估。

该论文提出了一种免提示、参数高效的SAM2微调框架，通过引入卷积位置编码生成器与双适配器结构，解决了SAM2在生物医学语义分割中面临的领域偏移与提示依赖问题。

该论文报告了MICCAI 2024第三届autoPET挑战赛的设计与结果，在组合泛化设定下对全身PET/CT病灶自动分割进行了基准测试，并构建了迄今最大的公开标注PSMA PET/CT数据集。

本文提出MuCALD-SplitFed框架，将因果潜在扩散模型与拆分联邦学习相结合，以实现面向多任务场景的隐私保护医学图像分割。该工作通过在客户端与服务器间拆分模型，解决了去中心化医疗环境中多任务协作与计算通信受限的问题。

本文提出了一种两阶段处理流程，用于在LGE-MR图像中实现受左心房壁约束的消融瘢痕分割与定位，以解决瘢痕体素类别严重不平衡及心房壁结构薄等挑战。

本文报道了将伯尔尼医用回旋加速器束流传输线改造为具备FLASH和质子微束照射能力的放射生物学研究平台。该平台为探索先进放疗技术的生物学机制与最优递送参数提供了灵活的时空剂量递送工具。

本研究开发并验证了一种针对同步辐射乳腺相衬CT的个性化蒙特卡罗剂量学框架，以实现准确的平均腺体剂量估算。

本研究表征了电子FLASH放疗相空间生成中由边界采样引入的伪影，并提出了相应的缓解方法，以实现基于孔径特异性相空间文件的快速蒙特卡罗剂量计算。

MIRAGE构建了一个面向医学教育的多模态图文检索与生成框架，以解决传统医学图谱缺乏交互性及在线搜索材料标注不全的问题。

本文针对长尾医学图像分类问题，提出了一种合成数据生成方法，并以皮肤病变分类为案例进行了验证。

该论文提出了解剖-疾病解缠扩散模型（DADD），通过在潜在扩散模型中引入两种互补的嵌入表示，实现了在保持患者特有解剖结构的同时，可控地合成不同疾病进展阶段的溃疡性结肠炎内镜图像。

本文提出了一种结合双流分类器的图增强拓扑内化方法，通过将医学拓扑结构转化为显式数据关联来建模疾病共现性，以提升医学报告生成模型对复杂病变的推理能力。

该论文提出了一种报告-图像层次化对齐（RIHA）方法，以解决放射学报告生成中复杂视觉特征与长文本层级结构之间的细粒度对齐问题。

本文提出了一种基于混合专家架构的多任务学习框架MTL-MAD，通过从头联合学习多个自监督与伪标签任务来提取医学图像的鲁棒表征，以实现无异常样本训练下的医学异常检测。

该论文提出了一种基于最优传输理论的免训练框架WALDO，将零样本异常定位重新表述为与正常解剖参考分布进行结构化比较的推理问题，以解决视觉语言模型在医学图像分布外检测中缺乏健康解剖上下文的问题。

MedScribe提出了一种基于智能体工作流的假设驱动框架，将CT报告生成从单次编码任务重构为迭代的证据获取过程，以解决现有视觉语言模型在3D CT成像中存在的解剖定位不足与幻觉问题。