夜雨聆风2026.05.11- 2026.05.17
本期速览
精选解读
01当多个 foundation model 一起数细胞：IHC 图像的排名感知聚合方法
Medical Image Analysis｜方法学研究
研究背景：免疫组化切片里的细胞计数直接关系到蛋白表达量化、肿瘤分型和病理评分，但实际图像常有染色重叠、阳性强度不均和细胞形态差异。传统检测式方法容易在重叠细胞和弱染色区域失准，回归式计数虽然更适合密集场景，却往往难以同时处理多类别细胞。
方法亮点：作者提出 CountIHC，用排名感知聚合框架从多个强 foundation model 中选择性蒸馏知识，而不是把这些上游模型简单平均。核心模块 RATS 通过全局到局部的 patch 排名评估每个 foundation model 的计数能力，从而为每个样本选择最适合参与蒸馏的模型；多类别计数阶段则把结构化文本提示转成语义锚点，同时编码类别和数量信息，引导类别特异的密度图回归。
主要结论：在12种 IHC biomarker 和5类组织的实验中，CountIHC 超过既有方法，并与病理医师评估保持较高一致性；作者还在 H&E 染色数据上测试了方法的可扩展性。需要注意的是，论文摘要未给出具体敏感度或特异度数值，证据仍主要来自图像数据集实验，距离真实病理工作流部署还需要外部验证。
文献信息
英文标题：Rank-aware agglomeration of foundation models for immunohistochemistry image cell counting.期刊：Medical Image Analysis第一作者：Zuqi Huang通讯作者：Zhongyu Li单位：School of Computer Science, Shanghai Jiao Tong University, Shanghai, 200240, China. Electronic address: zhongyuli@sjtu.edu.cn.PMID：42140101DOI：10.1016/j.media.2026.104125
02RTFSyn：3D MRI 跨模态合成更稳
IEEE Transactions on Medical Imaging｜方法学研究
研究背景：跨模态 3D MRI 合成的目标，是用已有序列和临床元数据生成目标对比度图像，让扫描方案更灵活。难点在于体数据内部有明确空间依赖，文本或元数据又需要和图像特征精确对齐；如果这两件事处理不好，合成结果容易出现结构边界模糊和语义错配。
方法亮点：作者提出 RTFSyn，把流程拆成“先细化、再融合”：先用轴向感知的视觉细化模块捕捉 3D 体特征里的方向依赖，减少冗余信息。随后用跨模态自适应融合模块做视觉-文本对齐，其中 pixel packing-recovery 提高 cross-attention 效率，text-conditioned dynamic convolution 则把元数据语义更细粒度地注入图像特征。
主要结论：在 4 个多中心数据集上，RTFSyn 的定量指标、伪影条件下表现、zero-shot 评估和多维临床验证均优于对照方法，同时保持较好的计算效率。需要注意的是，摘要没有给出具体序列类型和每个中心的样本规模，现阶段更适合作为跨模态 MRI 合成框架的技术证据，距离常规临床替代扫描仍需进一步验证。
文献信息
英文标题：Refine Then Fusion: Robust 3D Brain MRI Synthesis via Vision-Language Collaboration.期刊：IEEE Transactions on Medical Imaging第一作者：Jinbao Wei通讯作者：Xun Chen单位：Department of Neurosurgery, The First Affiliated Hospital of USTC, Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, ChinaPMID：42118640DOI：10.1109/TMI.2026.3692748
03MT-SAM 用先验提示勾画前列腺癌
IEEE Transactions on Medical Imaging｜方法学研究
研究背景：前列腺癌的可疑病灶常依赖 T2 加权、弥散加权和 ADC 图等 bp-MRI 信息共同判断。病灶边界模糊、形态差异大，临床勾画既耗时又依赖经验；直接套用通用分割模型时，多模态信息和病灶先验往往没有被充分利用。
方法亮点：作者提出 MT-SAM，在 SAM 框架中加入 Mamba-Transformer 网络，用于从多模态 bp-MRI 中提取多阶段特征。方法通过 cross-mamba 模块把这些特征融入 SAM encoder，并用 prior-guided pyramid-mamba prompting 将模型注意力引向可疑前列腺癌区域。
主要结论：在公开和私有数据集上，MT-SAM 相比对照方法取得 5.6-34.1% 的 Dice 提升，说明把多模态特征提取和先验提示接入 SAM 对病灶勾画有实际增益。边界在于研究仍围绕前列腺 bp-MRI 和 csPCa 勾画任务展开，跨器官、跨设备和不同标注标准下的稳定性还需要继续验证。
文献信息
英文标题：MT-SAM: A Mamba-Transformer Enhanced SAM with Prior-guided Prompting for Multi-modal Prostate Cancer Delineation.期刊：IEEE Transactions on Medical Imaging第一作者：Litao Zhao通讯作者：Pheng-Ann Heng单位：Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong, SAR, ChinaPMID：42118641DOI：10.1109/TMI.2026.3692645
04GLEAM 用三模态影像分级青光眼
IEEE Transactions on Medical Imaging｜数据集与基准
研究背景：青光眼早期症状不明显，但一旦视神经损伤进展，视功能恢复空间有限。真实诊断通常同时参考眼底结构、OCT 和视野功能信息，而许多模型仍停留在单模态或双模态粗分类，难以支持不同病程阶段的分层判断。
方法亮点：作者构建 GLEAM 数据集，整合扫描激光眼底图、环乳头 OCT 和视野 pattern deviation map，并标注 4 个疾病阶段。模型部分提出 HAMM，用分层 attentive encoder 和轻量 decoder 做多模态表征学习；其中 MCGA 模块先对不同模态做置信度加权，再用图注意力检查结构-功能一致性。
主要结论：实验显示，三模态融合优于单模态和双模态组合，HAMM 也优于对照的多模态学习方法。需要注意的是，摘要没有给出具体病例数量和外部中心构成，结论目前主要支撑青光眼分级这一特定任务，能否迁移到其他眼科多模态问题仍需单独验证。
文献信息
英文标题：GLEAM: A Multimodal Imaging Dataset and HAMM for Glaucoma Classification.期刊：IEEE Transactions on Medical Imaging第一作者：Jiao Wang通讯作者：Man Tang单位：College of the Information Science and Engineering, Northeastern University, Shenyang, ChinaPMID：42127069DOI：10.1109/TMI.2026.3692814
05BrainPrompt+ 用提示学习识别脑疾病
IEEE Transactions on Medical Imaging｜方法学研究
研究背景：阿尔茨海默病、帕金森病和自闭症谱系障碍的早期识别常受症状轻微和脑动态异质性影响。rs-fMRI 可以构建功能脑网络，但传统 GNN 方法容易受到相关性建图噪声、负边和脑区知识缺失的限制，临床或人口学信息也常被简单拼接处理。
方法亮点：作者提出 BrainPrompt+，把 LLM 编码的自然语言提示接入 GNN 脑网络分析。提示被分为频域 BOLD 特征、脑区连接、ROI 解剖与功能知识、疾病进展阶段和受试者人口学背景 5 层，使影像、临床信息和外部知识在同一语义空间中参与分类。
主要结论：在 3 个 rs-fMRI 数据集上，BrainPrompt+ 稳定优于对照方法，准确率最高提升 8.93%；其 biomarker 分析标出的 ROI 也与既有神经科学发现相符。边界在于这些结果仍来自特定神经疾病和 rs-fMRI 数据集，模型解释性和泛化能力需要更多跨中心、跨疾病测试。
文献信息
英文标题：BrainPrompt+: Multi-Level Brain Prompt Learning for Knowledge-Guided Neurological Disorder Identification.期刊：IEEE Transactions on Medical Imaging第一作者：Jiaxing Xu通讯作者：Mengling Feng单位：Saw Swee Hock School of Public Health, National University of Singapore, SingaporePMID：42127068DOI：10.1109/TMI.2026.3692958
06一致性生成模型加速全身 PET 参数成像
IEEE Transactions on Medical Imaging｜方法学研究
研究背景：动态全身 PET 可以同时观察多个器官的示踪剂动力学，为多器官疾病和系统生理研究提供参数图像。问题是全身尺度下信噪比和动力学差异很大，理想的参数图像不仅要有点估计，还要能给出统计不确定性；传统 MCMC 虽然严谨，但计算量难以承受。
方法亮点：作者引入 generative consistency model，用测得的 time-activity curves 和 arterial input function 直接生成动力学参数的后验样本。相比常规 diffusion model 需要数百次迭代，该方法把生成过程压缩到 3 个去噪步骤，并面向 two-tissue compartment model 训练。
主要结论：在 50 万组生理真实模拟和一例动态 [18F]FDG 全身 PET 数据上，该方法达到接近 MCMC 的精度，median absolute percent error 低于 5%、median K-L divergence 低于 0.5，速度快 10 万倍以上。需要注意的是，摘要中的真实人体应用仍是单个受试者示例，推广到更多示踪剂、模型和病种前还需要更大规模验证。
文献信息
英文标题：Generative Consistency Models for Estimation of Kinetic Parametric Image Posteriors in Total-Body PET.期刊：IEEE Transactions on Medical Imaging第一作者：Yun Zhao通讯作者：Steven R Meikle单位：Brain and Mind Centre, University of Sydney, AustraliaPMID：42127070DOI：10.1109/TMI.2026.3692917
07DSHARP 让 tagged MRI 运动估计更稳
IEEE Transactions on Medical Imaging｜方法学研究
研究背景：Tagged MRI 能观察体内组织形变，常用于舌、心肌等运动分析。实际使用时，tag fading、计算时间和运动场是否保持可逆与近似不可压缩，都会影响形变估计的可靠性；传统 HARP 或配准方法难以同时兼顾速度、精度和物理约束。
方法亮点：作者提出 DSHARP，把 HARP 思路接入无监督 deep registration 框架，用 sinusoidal transformation 去除 harmonic phase 的相位包裹不连续，使网络可以端到端训练。方法还通过 stationary velocity field 与 scaling-and-squaring 计算可微同胚运动，并加入 Jacobian determinant loss 来鼓励近似不可压缩。
主要结论：DSHARP 在 2D/3D phantom、真实 3D 人舌运动数据和 STACOM 2011 cardiac tagged MRI 基准上，优于 HARP、SinMod、SyN、PVIRA、VoxelMorph 和 DeepTag。边界在于验证仍集中在特定 tagged MRI 数据和基准任务，面向更多器官、病理状态和不同采集协议的稳健性仍需继续测试。
文献信息
英文标题：DSHARP: Deep Incompressible Motion Estimation with Sinusoidal-transformed Harmonic Phase for Tagged MRI.期刊：IEEE Transactions on Medical Imaging第一作者：Zhangxing Bian通讯作者：Jerry L Prince单位：Johns Hopkins University, Baltimore, MD, USAPMID：42139136DOI：10.1109/TMI.2026.3693998
08把 3D 超声定位显微压成 2D 流程
IEEE Transactions on Medical Imaging｜方法学研究
研究背景：3D ultrasound localization microscopy 可以更完整地显示血管结构，但全 3D 重建会带来指数级体素增长。临床转化卡在计算量和后处理时间上：如果扫描时不能快速看到结果，操作者很难实时调整采集质量。
方法亮点：作者在 row-column array 的 3D 猪肾 ULM 研究中，把 beamforming、clutter filtering、motion estimation、microbubble separation 和 localization 等环节重写为一系列高效 2D 操作。这样可以显著减少需要处理的体素数，同时尽量保留传统 3D 管线的定位和速度估计能力。
主要结论：该框架在单张 RTX A6000 Ada GPU 上，用 0.52 秒重建一个 0.75 秒、400 Hz 体积率采集的 25×27.4×27.4 mm3 数据块，SSIM 为 0.93，速度图 voxel-wise slope 为 0.93、R2 为 0.88。需要注意的是，当前证据来自体内猪肾 ULM 场景，距离不同器官、不同探头和真实临床反馈流程仍需要更多验证。
文献信息
英文标题：Fast 3D Ultrasound Localization Microscopy via Projection-based Processing Framework.期刊：IEEE Transactions on Medical Imaging第一作者：Jingke Zhang通讯作者：Shigao Chen单位：Department of Radiology, Mayo Clinic College of Medicine and Science, Rochester, MN, USAPMID：42139135DOI：10.1109/TMI.2026.3692792
