📊 Medical Imaging AI Weekly Papers

本文提出了一种基于随机变分高斯过程的概率分割框架，在logit空间显式建模医学图像标注中的系统偏差与变异性，从而实现对预测分布中标注者影响的直接分析。

本文提出了一种名为CSCS的课程分层主动学习方法，用于解决三维医学图像分割中在无初始标注模型情况下的冷启动问题，以实现标注高效的分割。

该论文提出了一种基于对抗模型的医学图像分割不确定性量化方法，以解决标准深度学习模型在细微病理边界处因误校准而产生过度自信预测的问题。

该研究提出了一种结合深度学习预测与迭代优化的混合可变形形状建模框架，用于从MRI图像中实现盆腔器官的高保真三维几何重建。

本文提出了一种耦合综合生成回放（C²GR）方法，通过同时生成图像外观与分割目标来解决任务增量学习中因双重偏移导致的灾难性遗忘问题，从而构建可持续学习的通用分割模型。

本文针对SAM3在医学图像分割中的域差距问题，提出了一种结合概念对齐对比与长短提示记忆的测试时自适应方法。该方法通过超越图像级不确定性最小化的机制，在无标注情况下实现了模型的在线更新。

本文系统评估了自监督表征在不同下游提取策略下对左心室分割和射血分数估计的性能，揭示了下游模型容量对表征质量评估的混淆效应。

EnTrust提出了一种针对多模态医学图像分析的框架，将模态间冲突的建模直接融入融合过程，以揭示预测不可靠的原因。

S1-Omni-Image提出了一个开源的统一多模态模型，将科学图像的理解、生成与编辑任务整合于单一框架中。该模型基于S1-VL-32B推理骨干构建，旨在满足科学图像任务对高保真合成与深层科学语义理解的双重需求。

本文提出一种两步深度学习模型，实现了从公开的非对比能量积分CT图像到未配对光子计数CT光谱基物质图的合成。

本文提出了一种基于布朗桥扩散模型的概率图像到图像翻译模型Prob-BBDM，用于在医学影像中合成磁共振成像序列。

本文提出了一种免训练的条件采样框架TF-PRDiT，将冻结的3D扩散Transformer先验转化为通用的医学逆问题求解器，通过在采样过程中强制执行测量一致性，实现了无需针对特定任务训练专用模型即可从稀疏X射线重建3D CT。

本文提出了像素级残差扩散Transformer（PRDiT）框架，通过包含局部去噪器的两阶段训练架构，实现了可直接在体素级别合成高质量3D医学CT体积的可扩展生成。

本文量化了文本条件引导对灰度到彩色图像转换模型在像素级和感知级指标上的影响，具体通过对比U-Net与Stable Diffusion两种架构来实现。

本文提出了一种基于解剖掩码条件扩散的结构性MRI合成方法，以解决阿尔茨海默病中因神经退行性变化带来的高质量医学图像生成难题。

本文提出了一种轻量级4层U-Net，用于将广泛获取的T2加权MRI图像转换为MRI信号脂肪分数图像，并与去噪扩散概率模型进行了对比。

本文提出了一种可解释视觉Transformer（IViT）以解决皮肤疾病检测中ViT的黑盒问题及医疗少样本场景下的适应性不足，并通过改进解释算法缓解了现有可解释方法导致的精度下降瓶颈。

本文提出了一种基于DINOv3的无训练医学异常检测方法HiMatch-AD，通过构建层次化匹配机制来定位病理区域，从而避免了对任务特定优化和大量正常数据的依赖。

SMART提出了一种从纵向高分辨率3D医学图像中构建时空脑图谱的框架，通过将全局群体疾病动态与患者个体特征解耦，实现了连续疾病时间图谱的灵活、可解释与可扩展学习。

本文提出将极值搜索控制（ESC）应用于超声定位显微镜的图像配准，通过跨迭代积分的方式获取梯度信息，避免了优化过程中梯度的显式计算。

本研究提出了一种将外照射放疗中使用的3D扫描水箱改造应用于近距离放疗剂量测量的方法，以替代传统复杂的定制模体或化学剂量计来获取剂量分布数据。