由于微信公众号开始试行乱序推送，为了让您在第一时间获取AI新文，请将"AI新文"设为星标。
基于等效高阶散射的多源CT神经分析融合散射校正方法
原标题：A Neural-Analytical Fusion Scatter Correction Method for Multi-Source CT Using Equivalent High-Order Scatter
作者：Jiancong Dai; Yuxin Gao; Yingyin Zeng; Hangji Lin; Xiaoying Zhang; Shaoyong Tian
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/24
摘要：多源计算机断层扫描（MSCT）显著提高了时间分辨率，但遭受了严重的前向和交叉散射伪影。基于软件的散射校正方法避免了额外的硬件成本和辐射剂量；然而，基于模型的方法在高阶散射估计方面存在困难，而基于深度学习的方法缺乏物理约束。为了解决这些限制，我们提出了一种神经分析融合（NAF）散射校正方法。具体来说，使用基于物理模型的GPU加速方法分析估算了一阶康普顿散射和瑞利散射。对于高阶散射，多步散射过程被重新表述为等效的单步相互作用，并在分析模型中嵌入了等效高阶截面预测网络(EHCP-Net)，从而能够实现快速且受物理约束的高阶散射估计。所提出的方法在不同的扫描几何结构下的模拟数据和真实数据上得到了验证。与最先进的散射校正方法相比，我们的方法展示了更高的校正精度，并有效抑制了高频伪影。在散点分布比较实验中，它相对于蒙特卡洛（MC）模拟实现了小于3％的平均绝对百分比误差（MAPE）。在散射校正实验中，在模拟数据上产生了低于20HU的平均绝对误差(MAE)，在真实数据上产生了低于30HU的平均绝对误差(MAE)所提出的方法通过强物理约束实现了MSCT的有效散射校正
原文链接
SynReEM：通过各向异性电子显微镜体积中的实例结构编码进行突触重建
原标题：SynReEM: Synapse Reconstruction via Instance Structure Encoding in Anisotropic Electron Microscopic Volumes
作者：Jinyue Guo; Yanchao Zhang; Hao Zhai; Yi Jiang; Qi Zhang; Yunfeng Hua
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/23
摘要：体积电子显微镜（vEM）已经革新了神经回路中突触的纳米级重建。然而，依赖于连续切片的大规模vEM技术遭受严重的各向异性问题，其中轴向分辨率远低于横向分辨率。这种各向异性成像会在三维空间中导致生物结构的不连续性，从而影响重构精度以及突触实例分割的准确性。尽管可以通过聚合分割的体素或检测到的超像素实现突触重建，传统的语义和实例级模型无法从强各向异性数据集中稳健地学习体素实例属性。这里，我们介绍了SynReEM，一个用于突触重建的专用框架。具体来说，我们首先对突触标注进行结构编码以优化结构成分，使实例分割在语义背景下成为可能。然后，我们引入生物学先验知识来对模型输出施加连续性和包含约束，利用在线伪标签来增强模型收敛性。此外，我们设计了一个双头分支，用于从共享特征图同时解码语义和实例，并融合多任务输出，采用watershed算法实现精确的实例重建。对包含突触（Synapse178，AC3/AC4，和SynWTAD）的三个vEM数据集进行的全面评估一致证实了我们提出的SynReEM方法的优越性能。
原文链接
基于下一令牌掩码预测的医学参考图像分割
原标题：Medical Referring Image Segmentation via Next-Token Mask Prediction
作者：Xinyu Chen; Yiran Wang; Gaoyang Pang; Jiafu Hao; Chentao Yue; Luping Zhou
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/22
摘要：医学参考图像分割（MRIS）涉及根据自然语言描述对医学图像中的目标区域进行分割。虽然取得了令人鼓舞的结果，最近的方法通常涉及复杂的多模态融合设计或多阶段解码器设计。在这项工作中，我们提出了NTP-MRISeg，一个新颖的框架，该框架将MRIS重构为在统一的多模态序列上的自回归下一个标记预测任务，该序列包括标记化的图像、文本和掩码表示。该公式通过消除模态特定融合和外部分割模型的需要简化了模型设计，并支持端到端训练的统一架构。它还支持使用来自新兴的大规模多模态模型的预训练标记化工具，增强泛化能力和适应性。更重要的是，为了应对这种表述下的挑战——如曝光偏差，长尾标记分布以及精细的病变边缘——我们提出了三种新的策略：(1) 一种Next-k令牌预测(NkTP)方案来减少累积预测误差，(2) 令牌级对比学习(TCL)来增强边界敏感性并减轻长尾分布效应，和(3) 基于记忆的Hard Error Token(HET)优化策略，在训练过程中强调困难令牌。在QaTa-COV19和MosMedData+数据集上进行的大量实验表明，NTP-MRISeg达到了新的最先进性能，提供了一种比传统MRIS流程更简洁有效的替代方案。代码可在以下网址获取:https://github.com/c1oTTpD/MRIS.
原文链接
基于边界感知的光谱和形态引导方法用于特征驱动的大肠癌分割
原标题：Boundary-Aware Spectral and Morphological Guidance Method for Feature-Driven Colorectal Cancer Segmentation
作者：Pengquan Lei; Hengxiao Hu; Suyun Li; Yajun Liu; Xiaowen Xie; Jingfan Zhan
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/22
摘要：精确的医学图像分割在现代临床实践中起着至关重要的作用，为医学图像的定量分析和临床决策提供重要基础。然而，尽管深度学习技术在常规医学图像分割中取得了显著的成功，但在面对诸如结直肠癌等复杂结构分割任务时仍然表现出明显的局限性：高质量的医学数据获取不仅困难，而且即使数据相对充足，由于病灶形态学特征的高度变异性，这些特征也无法得到充分表示，这严重限制了传统数据驱动分割方法的泛化能力。为了解决这些挑战，我们提出了一种特征驱动的分割模型，通过深入挖掘内在数据信息而不是依赖参数堆叠来提高性能。具体而言，我们引入了一种频谱-先验-边界三重建模范式，在此范式中，利用频域重构和调制来建立不同频率带之间的映射以及异构信号之间的映射，从而识别模糊信号；采用基于水平集的分割算法构建腹部解剖距离场，以纳入形态学先验知识；通过整合深度语义特征和浅层细节特征设计了一个辅助边缘分支，以增强边界感知能力。广泛的结直肠癌分割实验表明，所提出的方法在分割准确性和边界感知方面均优于其他最先进的方法。此外，在肺癌和乳腺癌分割任务上的评估验证了其在不同病变类型上强大的泛化能力。
原文链接
运动补偿三维脑MRI重建(MotionDPS)
原标题：MotionDPS: Motion-Compensated 3D Brain MRI Reconstruction
作者：Antonio Ortiz-Gonzalez; Erich Kobler; Lukas Schletter; Alexer Effl
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/22
摘要：磁共振成像(MRI)由于其相对较长的采集时间和k空间中的数据是顺序获取的事实，对患者的运动非常敏感。即使是小的患者移动也会在测量之间引入相位不一致，导致模糊、鬼影和几何失真等严重伪影，从而损害诊断质量。回顾性运动补偿仍然具有挑战性，尤其是在加速采集的情况下，这是由于联合重建和运动估计问题的不适定性质。在这项工作中，我们提出了一种统一的贝叶斯框架用于运动补偿的三维磁共振成像，该框架直接从运动污染的k空间数据中联合估计解剖图像、刚体运动参数和线圈灵敏度图。我们的方法在基于物理的前向模型中整合了预训练的三维复值评分扩散模型作为表达性的解剖图像先验。通过交替执行扩散后验图像更新与高效的近端优化步骤来完成推断，这些优化步骤用于运动和线圈敏感度估计，从而能够在不需要无运动配对训练数据的情况下实现完全无监督的重建。在模拟和真实运动的脑MRI数据集上的实验表明，所提出的方法相比最先进的经典和基于学习的运动校正技术实现了更好的图像质量和运动鲁棒性，特别是在严重运动和高加速的情况下。
原文链接
清醒小鼠的微气泡轨迹功能超声定位显微镜
原标题：Microbubble Track-based Functional Ultrasound Localization Microscopy in Awake Mice
作者：Yike Wang; Matthew R. Lowerison; Zhe Huang; YiRang Shin; Bing-Ze Lin; Pengfei Song
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/17
摘要：超快速超声神经影像学是一种新兴的神经成像工具，用于研究啮齿动物大脑中的神经活动。现有方法在功能成像灵敏度（即，在检测神经反应方面的灵敏度）和空间分辨率之间存在权衡。例如，功能超声（fUS）使用天然红细胞（RBCs）作为成像目标，这提供了高功能性成像灵敏度但空间分辨率受限于超声的衍射极限。另一方面，功能超声定位显微镜（fULM）采用静脉注射的微泡（MB）作为对比剂来实现超高空间分辨率，但代价是功能性成像灵敏度。本研究旨在通过开发一种新颖的基于MB轨道的血流动力学活动估计方法来提高fULM的功能成像灵敏度。我们的方法涉及使用从整个MB运动轨迹获得的MB信号进行功能相关性分析，而不是单独的MB质心位置，这克服了fULM中的信号稀疏问题。为了进一步提高fULM的功能灵敏度，我们开发了一种基于留置颈静脉导管的新方法，在清醒的小鼠中实现fULM成像。体内成像结果表明，所提出的技术成功地提高了fULM的功能成像灵敏度而不牺牲其高空间分辨率。在胡须刺激实验中，所提出的技术能够在少于五个刺激周期（5 minutes of acquisition）内检测到显著激活的大脑区域，相比传统的fULM方法，所需时间减少了超过50%。
原文链接
REN：用于间质性肺病诊断的解剖学信息混合专家模型
原标题：REN: Anatomically-Informed Mixture-of-Experts for Interstitial Lung Disease Diagnosis
作者：Alec K. Peltekian; Halil Ertugrul Aktas; Gorkem Durak; Kevin Grudzinski; Bradford C. Bemiss; Carrie Richardson
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/17
摘要：混合专家（MoE）架构通过条件计算将输入路由到专门的子网络从而实现可扩展学习。然而，传统的MoE设计假设专家能力同质化且路由无关领域——这些假设与医学成像的基本前提相悖，在医学成像中，解剖结构和区域性疾病异质性决定了病理模式。我们介绍了区域专家网络（REN），这是第一个用于医学图像分类的解剖学信息丰富的MoE框架。REN 通过训练七个专门的专家来编码解剖学先验知识，每个专家专注于一个特定的肺叶或双侧肺组合，从而能够精确建模区域特异性的病理变化。多模态门控机制动态地将影像组学生物标志物与通过卷积（CNN）、变压器（ViT）和状态空间（Mamba）架构提取的深度学习（DL）特征相结合，在推理过程中加权专家贡献。应用于间质性肺病(ILD)分类的一个包含597名患者和1898次扫描的纵向队列中，REN实现了持续优异的表现：基于影像组学引导的集成模型达到了平均AUC为0.8646±0.0467，比单模型基线SwinUNETR提高了12.5%(AUC 0.7685, p = 0.031)。低叶专家达到AUC值为0.88-0.90，优于深度学习基准(CNN: 0.76-0.79)，并且反映了已知的基础ILD进展模式。在严格的患者级别交叉验证下，REN表现出强大的泛化能力和临床可解释性，建立了一个可扩展的、解剖学指导的框架，可能可以延伸到其他结构化的医学影像任务。代码可在我们的GitHub上获取https://github.com/NUBagciLab/MoE-REN
原文链接
可解释的成像遗传神经网络EIGNN用于稳健的阿尔茨海默病风险预测
原标题：EIGNN: An Explainable Imaging-Genetic Neural Network for Robust Alzheimer’s Disease Risk Prediction
作者：Zi-Chao Zhang; Zhigao Cai; Xingzhong Zhao; Jixin Cao; Feng Chen; Jing Ding
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/17
摘要：准确的风险预测和早期诊断对于阿尔茨海默病(AD)的早期干预至关重要。当前的预测模型通常在捕捉异质输入之间的复杂相互作用方面能力有限或者缺乏临床应用和新诊断生物标志物发现所需的生命科学解释性。受生物启发的网络和多模态学习先驱工作的启发，我们提出了一个可解释的成像遗传神经网络（EIGNN），整合了基因和神经影像数据以生成准确、稳健且可解释的阿尔茨海默病风险预测。EIGNN模型具有生物信息架构，融合了多GWAS SNP选择策略、增强的可解释神经网络设计以及模态注意力机制。遗传变异被分层映射到它们的目标基因和生物通路，并进一步整合到神经影像特征中。我们证明了EIGNN模型优于现有方法，并表现出更强的鲁棒性、可解释性和可重复性。最后，通过应用一种新颖的生物信息多模态特征交互图，我们优先确定了一组AD风险基因和生物学通路，并探索了这些风险基因与参与AD风险的大脑区域之间的复杂相互作用。
原文链接
基于Transformer的多示例学习利用真实世界临床数据进行多视图狭窄分类
原标题：Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data
作者：N. Cenikj; Ö. Turgut; A. Müller; A. Steger; J. Kehrer; M. Brugger
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/15
摘要：冠状动脉狭窄是心血管疾病的主要原因，通过分析来自多个血管造影视图的冠状动脉诊断。尽管已经提出了许多用于从单个血管造影视图检测狭窄的深度学习模型，但它们的表现严重依赖于昂贵的视图级标注，这些标注在医院系统中往往不可用。此外，这些模型未能捕捉到多视图之间的时空动态和依赖关系，而这对于临床诊断至关重要。为了应对这一问题，我们提出了SegmentMIL，一种基于变压器的多视图多实例学习框架，用于患者层面的狭窄分类。在真实世界临床数据集上训练，使用患者层面的监督且没有任何视图级别的标注，SegmentMIL 同时预测狭窄的存在并定位受影响的解剖区域，区分右冠状动脉和左冠状动脉及其各自的节段。SegmentMIL 在内部和外部评估中表现出色，并且优于视图级模型和经典MIL基准，突显了其作为冠状动脉狭窄诊断的临床可行性和可扩展性解决方案的潜力。我们的代码可在https://github.com/NikolaCenic/mil-stenosis获得。
原文链接
结构信息引导的三维高斯点阵法在有限角度CBCT中的应用
原标题：Structurally-Informed 3D Gaussian Splatting for Limited-Angle CBCT
作者：Haowei Zhou; Zhaohong Pan; Jingjing Dai; Xuan Liu; Weilin Gao; Yaoqin Xie
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/12
摘要：有限角度锥形束计算机断层扫描（LA-CBCT）能够实现快速成像和减少辐射暴露，但其严重不完整的投影数据会导致病态重建和显著的伪影，限制了临床应用性。最近在三维高斯点阵（3D-GS）方面的进展显示出高效断层重建的潜力，但其性能仍然高度依赖于初始化。在本工作中，我们提出了SPARK（基于结构信息的投影加速重建），一个两阶段框架，为3D-GS引入了一个生成性的、基于结构信息的初始化。在第一阶段，一个受几何条件约束的网络直接从一组稀疏的投影中预测完整的三维高斯参数，嵌入学习到的解剖先验知识以减少伪影传播。在第二阶段，通过基于物理的3D-GS优化对生成的场景进行细化，从而获得与测量投影一致的高保真重建。在公共数据集上的广泛实验表明，SPARK 显著提高了图像质量和收敛速度，在严重受限角度场景中达到了优于分析法、迭代法和深度学习基准的 PSNR/SSIM。此外，SPARK重建提供了增强的输入用于下游后处理网络，进一步提升了图像保真度。这些结果表明，SPARK 是一种有前景的基于先验信息的三维 GS 框架，在有限角度覆盖的情况下用于模拟 LA-CBCT 重建，提供了一个在数据驱动解剖学先验和基于物理投影域细化之间的有效桥梁。
原文链接
心脏MRI分割中的随机不确定性建模：概率检测和轮廓回归
原标题：Modeling Aleatoric Uncertainty in Cardiac MRI Segmentation: Probabilistic Detection and Contour Regression
作者：Yidong Zhao; Yi Zhang; João Tourais; Sebastian Weingärtner; Avan Suinesiaputra; Alistair Young
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/12
摘要：准确的心脏MRI分割对于通过生物标志物评估心脏功能至关重要，例如左心室射血分数（LVEF）和右心室射血分数（RVEF）。尽管人工智能方法已经实现了高平均分割精度，但对单个患者生物标志物的精确度——通过估计方差量化——对于可靠的诊断仍然至关重要。校准的生物标志物（其不确定性准确反映真实变化性）非常理想。然而，现有的评估主要集中在人口层面的分割准确性上，生物标志物层面的不确定性和校准则很大程度上未被探索。内在解剖学的模糊性和标注变化是生物标志物变异的主要来源，并且即使在使用单一标注集进行训练时也无法完全消除。为此，我们提出了一种概率分割框架，该框架明确地对固有不确定性进行建模，旨在改善生物标志物空间中的校准。该框架分离了两个关键的不确定性来源：(1) 检测不确定性，源于在二维心脏MRI中基底部或尖端切片的含糊包含，通过对象性概率建模；(2) 轮廓不确定性，反映了心室边界勾画的变化性，通过椭圆傅里叶描述符的均值-方差回归进行建模，这是一种闭合轮廓的紧凑表示形式。通过将这些不确定性传播到派生的生物标志物，所提出的方法产生了更为详尽且更好地校准的信心估计值用于射血分数。与传统的像素级方法相比，我们的框架提高了生物标志物的可靠性，特别是在标注模糊和领域偏移有限的真实场景中
原文链接
多光谱成像预测关节软骨标志物
原标题：Prediction of Articular Cartilage Markers with Multispectral Imaging
作者：Eloi Canals Pascual; Hamidreza Masjedi; Akuroma Tolvanen; Petri Paakkari; Miika Kiema; Arash Mirhashemi
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/12
摘要：骨关节炎(OA)是一种使人衰弱的关节疾病，在这种疾病中，当前诊断工具难以检测到软骨(AC)早期的微结构和成分变化。我们假设多光谱成像(MSI)能够捕获预测关键AC属性的光学特征。为了测试这一点，我们开发并评估了一种基于MSI的方法来估计组织厚度，蛋白聚糖(PG)含量，胶原纤维取向以及细胞形态学性质(面积和圆度)。采用自建的多光谱成像系统在六个波长(550–970 nm)下获取了牛髌骨AC的反射图像，并训练机器学习模型来预测目标标记物。模型能够对AC厚度产生可靠的估计值，而对于PG含量、胶原纤维取向和细胞圆形度，它们达到了中等精度。本研究认为MSI有望作为一种无标签工具用于表征AC并检测早期退行性变化。
原文链接
基于检测引导和提示驱动的变压器自动通用科布角估计(DGPDT)
原标题：DGPDT: Detection-Guided and Prompt-Driven Transformers for Automated and Generalizable Cobb Angle Estimation
作者：Chih-Yi Lu; Chen-Hung Tu; Chun-Yi Hsieh; Chi-Kuang Feng; I-Yun Lisa Hsieh
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/09
摘要：准确的Cobb角测量对于评估脊柱侧弯至关重要但仍然耗时且依赖于观察者。我们介绍了DGPDT（Detection-Guided Prompt-driven Transformer），一个统一的基于变压器框架，它集成了椎骨检测和基础模型分割，用于通用脊柱分析。带有DINOv2骨干的Roboflow检测变压器（RF-DETR）定位椎骨，随后进行后处理以确保解剖连续性。生成的边界框用作自动提示，用于经过微调的Segment Anything Model 2.1（SAM 2.1），该模型生成高分辨率的椎骨掩膜。科布角然后从椎骨掩模计算得出，从而能够估计主曲率和代偿曲率。对内部(TVGH-SpineXR)和外部(SpineWeb-16)数据集的评估表明，在内部和外部数据集中均表现出令人鼓舞的性能，分别实现了平均Dice系数为0.944和0.781，并且在域内平均Cobb角误差约为2–3°，跨域评估下平均Cobb角误差为4.93°。尽管仅在TVGH-SpineXR上进行训练，DGPDT仍保持了与直接在基准数据集上训练的模型相当的准确性。通过结合检测引导提示与基于变压器的分割，DGPDT 实现了临床上可接受的平均绝对误差(<5°)，表明具有良好的重现性和超出训练数据集的应用潜力。
原文链接
不同人群乳腺断层合成中病灶检出率及掩蔽差异的评估（使用in-silico成像试验）
原标题：Lesion detectability and masking disparity assessment in breast tomosynthesis across diverse populations usingin-silicoimaging trials
作者：Bruno Barufaldi; Rodrigo B. Vimieiro; Vincent Dong; Hanna Tomic; Quy Cao; Marcelo C. Vieira
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/09
摘要：乳腺密度通过在纤维腺体组织中掩盖肿瘤影响癌症的检测，并且不同种族群体之间的筛查结果存在差异。然而，这些差异是否反映了固有的组织特征还是系统偏差仍然不清楚。To isolate the effect of breast density on lesion detectability across racial subgroups, we conducted a retrospective case-control study using raw tomosynthesis projections from 902 women (453 cases, 451 matched controls) across BI-RADS density categories and self-reported race.相同的仿真棘状肿块（8–15 mm）和微钙化簇（10–14 mm）使用校准后的病灶模型插入到投影中。图像以相同的方式重建以避免在病灶检测中使用专有处理。病变的可检测性通过Channelized Hotelling观察者进行评估。回归分析和因果中介分析考察了种族、密度和可检测性之间的关系。As结果，随着密度增加，可检测性降低；对于肿块，ROC AUC从0.93降至0.85（BIRADS A到D），而对于微小钙化AUC从0.85降至0.78，在相同的密度范围内。歧视对于肿块仍然高于钙化(AUC=0.89 vs.AUC=0.82分层分析显示，非西班牙裔黑人女性的检出率略高于非西班牙裔白人女性和亚裔美国女性，这主要反映了密度差异。中介分析表明，乳腺密度占观察到的与种族相关的检出率差异的38-55％。中介分析表明密度是可检测性的主导因素。这些发现支持开发校准的检测模型和个人化的筛查策略(考虑到乳腺密度)。
原文链接
从切片到序列：自回归跟踪变压器在CT扫描中的一致性3D淋巴结检测
原标题：From Slice to Sequence: Autoregressive Tracking Transformer for Consistent 3D Lymph Node Detection in CT Scans
作者：Qinji Yu; Yirui Wang; Ke Yan; Dan Zheng; Dashan Ai; Dazhou Guo
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/09
摘要：淋巴结（LN）评估是常规放射学工作流程中的重要任务，可为癌症分期和治疗计划提供宝贵见解。在三维CT扫描中识别分散分布且对比度低的LN高度困难，即使对于经验丰富的临床医生也是如此。先前的病灶和LN检测方法展示了2.5D方法的有效性（即使用2D骨干网与多切片输入），利用预训练的2D模型权重，并且相比于单独的2D或3D检测器显示出更高的准确性。然而，基于切片的2.5D检测器并未显式地对LN作为一个三维对象进行跨切片一致性建模，需要通过启发式的后合并步骤生成最终的三维LN实例，这可能涉及针对每个数据集调整一组参数。在这项工作中，我们将三维淋巴结检测表述为沿z轴逐片跟踪任务，并提出LN-Tracker，一种新颖的淋巴结跟踪变压器，用于联合端到端检测和三维实例关联。基于DETR检测器构建的LN-Tracker将变压器查询解耦为独立匹配的跟踪组和检测组，从而在保持轨迹一致性的同时实现全面的LN检测。一种掩码注意机制进一步分离了这些查询组之间的学习，并且一个相似性损失促进了鲁棒的跨切片LN关联，特别是在低对比度场景中。在四个LN数据集上的广泛评估显示了LN-Tracker的优越性能，在平均灵敏度方面比顶级的3D/2.5D/跟踪检测器至少提高了2.49％。进一步在公开的肺结节和前列腺肿瘤检测任务上的验证确认了LN-Tracker的泛化能力，因为它在这两项任务中均取得了顶级性能。代码可在https://github.com/alibaba-damo-academy/LN-Tracker获得。
原文链接
PathRWKV：利用非对称递归建模增强全滑动图像推理
原标题：PathRWKV: Enhancing Whole Slide Image Inference with Asymmetric Recurrent Modeling
作者：Tianyi Zhang; Sicheng Chen; Borui Kang; Dankai Liao; Qiaochu Xue; Bochong Zhang
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/08
摘要：全切片成像（WSI）已成为癌症诊断的金标准，检查从细胞到组织水平的多尺度信息。直接处理整个全切片图像由于GPU内存限制而不可行；因此，通过将全切片图像分割成瓦片，多实例学习（MIL）已成为标准解决方案。最近的两阶段MIL框架通过解耦瓦片级提取与切片级建模在一定程度上实现了内存效率，但仍面临四个限制：(1) 训练吞吐量与推理内存效率之间的冲突，(2) 在小规模WSI数据集上对稀疏监督过度拟合的高度敏感性，(3) 基于采样的训练过程中空间结构完整性的破坏，(4) 对长序列中多尺度特征交互的建模不足。因此我们引入了PathRWKV，一种新型的状态空间模型，旨在进行高效且稳健的WSI分析。为了解决计算上的权衡问题，我们提出了一种利用最大池化聚合的不对称结构，使得高吞吐量并行训练和常数(O(1))内存复杂度的循环推理成为可能。为了缓解过拟合，我们采用随机采样来增强数据多样性，并使用一个多任务学习模块对有限的数据进行特征学习的正则化。为了恢复空间背景，我们引入二维正弦位置编码来感知组织切片的相对位置。为了捕获全面的表示，我们集成了TimeMix和ChannelMix模块，在时间和空间维度上实现了动态多尺度特征建模。在11个数据集上的29,073张WSI的实验表明，PathRWKV在10个数据集中优于11种最先进的方法，证明了其作为可扩展解决方案的应用潜力。
原文链接
基于语义感知掩码语言建模和高阶对齐的多视图胸部X光图像-语言预训练
原标题：Multi-view Chest X-Ray Vision-Language Pre-training via Semantic-Aware Masked Language Modeling and High-order Alignment
作者：Lihong Qiao; Jingya Gong; Yucheng Shu; Lifang Zhou; Ximing Xu; Baobin Li
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/05
摘要：胸部X光图像-语言预训练（VLP）利用大规模的放射片报告对来开发联合图像文本表示，展示了在医学影像诊断中的巨大潜力。然而，现有的VLP方法常常忽视胸部X光片的多视图特性，而一些多视图方法采用统一特征融合，忽略了各视图的关键语义贡献。此外，随机跨模态掩码语言模型（MLM）无法促进有效的交互，阻碍了表示对齐。此外，在VLP中全局对齐可能导致假阴性问题。为了解决这些限制，我们提出了一种新颖的医学VLP框架，包含三个核心组件。首先，一个增强关键语义的多视图MLM模块在各视图间聚合病理相关的补丁，为MLM提供语义丰富的监督。一种增强局部语义的方法，该方法识别并聚合来自各视图的与病理相关的关键补丁以指导MLM。其次，一个前侧对齐模块提取视图特定的病理特征，确保语义一致性并在聚合过程中保持关键信息。此模块独立地从两个视图中提取病理特征以保持特定于视图的信息，同时确保语义一致性，从而减轻聚合过程中关键信息的损失。第三，一种高阶语义对齐方法通过将特征与语义一致的簇进行对齐来缓解假阴性问题，通过原型级别的语义增强全局对齐。广泛的实验在七个公共数据集上证明了我们的框架在四个下游任务中优于最先进的方法，验证了其有效性。代码可在https://github.com/sajiutea/F-L获取。
原文链接
利用频谱特定去噪增强的双光子扫描结构照明超分辨率显微镜研究三维肿瘤球体模型中的药物反应
原标题：Investigation of Drug Responses in 3D Tumor Spheroid Models Using Two-Photon Scanning Structured Illumination Super-Resolution Microscopy with Frequency-Specific Denoising Enhancement
作者：Meiting Wang; Xinran Li; Peng Du; Yuye Wang; Jiajie Chen; Ying Wu
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/02
摘要：二维细胞培养模型长期以来一直是生物医学研究的基础；然而，它们常常无法准确复制体内环境。近年来，三维（3D）细胞培养，特别是3D球体模型，因其能够更好地模拟体内环境的复杂性而获得认可，使其成为研究细胞行为和反应的重要工具。肿瘤球体尤其在抗癌疗法评估中具有重要的应用价值，通过模拟肿瘤的空间结构和微环境，提供了一个更具生理相关性的模型。然而，由于光学衍射和三维成像中的背景噪声的限制，传统成像方法无法准确解析肿瘤球体的生长、形态变化以及药物反应。为了解决这一问题，超分辨率成像技术应运而生。结构照明显微镜(SIM)结合重建算法可以有效提高分辨率，但在三维成像中仍然存在诸如单光子成像的光穿透能力有限以及高背景噪声等挑战。本文开发了一种先进的SIM技术，具有大深度和低噪声3D成像能力。本研究提出了一种新的频率特异性去噪方法(FSDM)，通过调整高频信号的权重来有效减少噪声并保持图像细节。FSDM优化显著减少了来自深层组织的背景干扰，提高了图像细节以及三维成像的整体质量。首次将扫描结构光照显微镜(SIM)与双光子显微成像(TPEF-SIM)结合用于三维成像，利用了两种技术的优势来提高分辨率并克服光线穿透的限制。
原文链接
形态保持全层断层成像：三维类器官动态定量分析
原标题：Morphology-Preserving Holotomography: Quantitative Analysis of 3D Organoid Dynamics
作者：ChulMin Oh; Jimin Cho; Juyeon Park; Hoyeon Lee; YongKeun Park
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/01
摘要：类器官是用于研究组织发育、疾病进展和生理反应的三维(3D)体外模型。全息层析成像(HT)通过重构体积折射率(RI)图来实现对活体类器官的长期无标记成像，但定量分析受到缺失圆锥伪影的限制，该伪影引入了各向异性的分辨率和轴向畸变。这里，我们提出了一种定量分析框架，在图像表示层面而不是重建层面解决缺失圆锥问题。我们介绍了保持形态的全息层析技术(MP-HT)，这是一种环形空间滤波策略，强调高空间频率折射率纹理的同时抑制最易受缺失圆锥畸变影响的低频成分。基于MP-HT，我们开发了一种用于稳健分离上皮结构和腔内结构的三维分割流水线，并结合了模型化的RI量化方法，该方法融合了系统点扩散函数，从而能够实现形态无关的干质量密度和总干质量的估计。我们将该框架应用于活肝类器官经历扩张、坍塌和融合的长期成像。在代表性的类器官中，该框架提供了不同几何形状的一致分割，并能够定量表征上皮-腔室重塑、与塌陷相关的形态稳定性丧失以及融合过程中的瞬态生物物理波动。总体而言，这项工作建立了一种物理透明且可重复的方法，用于三维中无标记定量分析类器官动力学。
原文链接
FoundDiff：用于泛化低剂量CT去噪的基础扩散模型
原标题：FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising
作者：Zhihao Chen; Qi Gao; Zilong Li; Junping Zhang; Yi Zhang; Jun Zhao
期刊：IEEE Transactions on Medical Imaging
出版时间：2026/06/01
摘要：低剂量计算机断层扫描（CT）降噪对于在保证诊断可接受的图像质量的同时减少辐射暴露至关重要。尽管近年来深度学习（DL）取得了显著进展，在最近几年中，现有的基于深度学习的方法通常在特定剂量水平和解剖区域上进行训练，难以处理不同扫描条件下多样的噪声特征和解剖异质性，从而限制了它们在临床场景中的泛化能力和鲁棒性。在本文中，我们提出了FoundDiff，一种用于统一和通用的低剂量CT去噪的基础扩散模型（LDCT），适用于各种剂量水平和解剖区域。FoundDiff 采用两阶段策略：(i) 剂量解剖感知 和 (ii) 自适应去噪。首先，我们开发了一种剂量和解剖结构感知的对比语言图像预训练模型（DA-CLIP），通过利用专门的对比学习策略来实现稳健的剂量和解剖结构感知，从而学习量化序数剂量变化和识别显著解剖区域的连续表示。其次，我们设计了一种剂量和解剖结构感知的扩散模型（DA-Diff），通过协同整合从DA-CLIP中学习到的剂量和解剖结构嵌入，并借助基于Mamba的新颖剂量和解剖结构条件块（DACB），执行自适应和泛化的去噪。在包含三个解剖区域的大规模模拟多剂量CT数据集上进行的广泛实验，以及在Mayo-2016、CQ500和猪仔数据集上的跨数据集评估，展示了优越的去噪性能和对未见剂量水平及解剖区域的强大泛化能力代码和模型可在https://github.com/hao1635/FoundDiff获得。
原文链接
