79 篇论文
医学影像与放射学是洞察人体内部的“透视眼”，利用 X 光、CT 或磁共振等技术，让医生无需开刀就能看清骨骼、器官乃至细微病变。这一领域不仅关乎疾病的早期发现，更直接指导着精准治疗方案的制定，是连接临床诊断与科学突破的关键桥梁。
在 Gist.Science 上，我们直接从 medRxiv 获取该领域最新的预印本论文，确保您能第一时间接触到前沿研究。我们的团队会对每一篇新论文进行处理，提供通俗易懂的科普解读以及详尽的技术总结，帮助您跨越专业术语的障碍，轻松理解最新的影像诊断进展。
以下为您整理的该类别下最新发布的论文列表，欢迎查阅。
这项仿体研究评估了 CTA、3DRA 和 2D DSA 在测量颅内血管直径相对于物理真值方面的准确性，结果表明，尽管所有模态通常都能在 0.5 mm 的真值范围内进行测量，但它们表现出随血管大小、对比度浓度和检测算法而变化的持续偏差，其中最大梯度边缘检测法被证明优于半高全宽（FWHM）法和固定 HU 值法。
本文介绍了残差端点流匹配（Residual Endpoint Flow Matching, REFM），这是一种单步深度学习方法，它利用低剂量与标准剂量 CT 图像之间固有的解剖相似性，实现了与迭代扩散模型相媲美的高质量实时去噪，同时大幅降低了计算成本。
这项 HECKTOR 2025 基准测试表明，尽管自适应后处理显著缩小了轻量级 MiniUNet3D 与较大的 nnU-Net v2 在头颈部肿瘤分割方面的性能差距，但它未能完全消除在淋巴结疾病准确性方面的差异，也未能防止在小型原发肿瘤上出现更高的灾难性失败率。
本文提出了一种物理引导的深度学习框架，该框架将反射式实值强度传输矩阵与图像修复网络相结合，旨在实现通过反射模式下的多模光纤进行单次、无需相位检索的图像恢复，从而显著提升超薄内窥镜成像的图像质量与泛化能力。
本文介绍了 MARLA，这是一个智能体框架，它使临床医生能够通过自动将高层研究目标转化为可执行的、具有自我修正能力的研究循环，从而自主开展复杂的多模态医学人工智能研究，进而消除对专业人工智能知识的需求。
本文提出了一种无需标签的框架，通过对成对表面 DSC 分数进行对数 t 分布拟合，用于校准肝脏 CT 分割中的分布外检测阈值，从而在不需要专家标注的失败数据的情况下，实现具有统计学原理的失败风险分类。
本文介绍了一种开源的 3D Slicer 扩展程序，该程序能够自动实现颅内电极触点在 SEEG 分析中的精确定位，在实现高精度的同时仅需极少的辅助人工修正，并提供了一种用户友好且集成化的解决方案，以优化临床工作流。
这项前瞻性随机交叉研究表明，厂商集成的 AI 软件显著提高了超声科医生在进行腹部超声检查时的操作效率，并降低了其心理需求与体力消耗，尽管时间节省的幅度因操作者而异，且该技术是对工作流的重塑而非消除。
本研究表明，使用带有 EEG 电极的 CT 图像以及扩展的亨斯菲尔德单位（Hounsfield unit）范围，能为同步 PET/EEG 成像提供最准确的衰减校正，与不含电极的扫描相比仅引入了微小的系统性偏差，而金属伪影减少技术带来的额外收益极小。
这项跨数据集分析表明，尽管 BLEU 和 ROUGE 等标准自动化指标对文本变化高度敏感，但它们无法区分具有临床意义的错误，而 CheXbert 尽管整体表现仅为中等水平，却是评估放射学报告质量最一致的指标。