📊 Medical Imaging AI Weekly Papers

本文提出了一种模拟放射科医生诊断流程的统一多任务Transformer框架IMT-CXR，通过疾病识别、属性表征等证据驱动的阶段实现可解释的胸部X光分析。

本文提出了一种半监督超图概念瓶颈模型，通过结合超图结构学习与半监督训练，实现了在少量标注样本下的可解释医学图像诊断。

本文提出了一种面向CT分割系统的鲁棒性增强框架RAMP，通过引入临床动机的多 corruption 数据增强方法，在部署前对模型进行鲁棒性压力测试。

该论文提出了一个名为LegSegNet的深度学习系统，用于下肢CT组织的自动分割与量化。该系统填补了现有公开工具在全面分析下肢CT（尤其是肌内/肌间脂肪组织）方面的空白。

本文提出了VesselSim框架，通过几何驱动的血管模拟技术生成训练数据，实现了无需专家标注的通用三维血管分割。

本文提出了ROBUST-WT方法，通过特征白化变换与基于Wasserstein距离的知识蒸馏，实现了医学图像的跨域鲁棒分割。

本文提出了一种基于术前CT肠道血供映射来预测结直肠吻合口漏风险的方案，旨在填补目前缺乏术前有效预测方法的空白。

该论文提出了一种基于质量引导的半监督学习方法，通过引入非自参考的显式分割质量评估来替代传统的模型置信度或不确定性指标，以更可靠地筛选未标注数据的伪标签。

本文提出了一种结合傅里叶运动建模的条件潜在扩散模型（4D F-MeshLDM），用于生成具有显式周期性的三维时序网格，以合成医学器械仿真所需的虚拟人群解剖结构。

该论文提出了一种基于强化学习的胸部X光报告生成网络RL-ACRGNet，旨在解决现有深度学习方法在疾病检测与报告生成中特征捕捉受限的问题，以实现医学影像描述的自动化。

本文提出了AutoMedBench，这是一个面向自主医学AI研究的工作流感知基准，旨在填补现有基准仅评估最终输出而缺乏对研究过程中智能体行为可见性的空白。