# 磁共振成像

在三个独立队列的结构MRI上，阿尔茨海默病分类模型会把年龄当作捷径：年龄越大，被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化（PMDN）后，认知正常与轻度认知障碍组的年龄—预测相关性降到接近零，平衡准确率0.71、Brier分数约0.22，且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差，但等渗回归与贝叶斯分箱这类非参数方法效果最好。

在三个独立队列的结构MRI上，阿尔茨海默病分类模型会把年龄当作捷径：年龄越大，被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化（PMDN）后，认知正常与轻度认知障碍组的年龄—预测相关性降到接近零，平衡准确率0.71、Brier分数约0.22，且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差，但等渗回归与贝叶斯分箱这类非参数方法效果最好。

磁共振基础模型此前多在整幅图像层面学习表征，难以区分同一器官的正常与异常。A4-MR在约5万例磁共振检查、49.1万序列上分两阶段预训练，把图像与文本的对齐下沉到解剖层面，并为每个器官分别学习健康与异常的表征。冻结编码器时，它在异常检测上比MedSigLIP高1.7 AUROC，膝关节分割比MedNeXt高1.4 Dice，腹部器官分割与最佳模型相差0.4 Dice以内，且无需任何提示即可定位3D解剖，与给定真值框的MedSAM2相当。

磁共振基础模型此前多在整幅图像层面学习表征，难以区分同一器官的正常与异常。A4-MR在约5万例磁共振检查、49.1万序列上分两阶段预训练，把图像与文本的对齐下沉到解剖层面，并为每个器官分别学习健康与异常的表征。冻结编码器时，它在异常检测上比MedSigLIP高1.7 AUROC，膝关节分割比MedNeXt高1.4 Dice，腹部器官分割与最佳模型相差0.4 Dice以内，且无需任何提示即可定位3D解剖，与给定真值框的MedSAM2相当。

SimCortex v2 把左右半球的白质与软膜四张皮层表面放进同一个变形空间联合重建，在 560 例、14 个队列的 T1 加权 MRI 上把表面距离精度做到与最强基线相当，同时 92.14% 的病例完全没有表面间碰撞，而所有对比方法在每个病例中都至少出现一次碰撞。它先用分割结果生成拓扑正确的初始网格，再用带皮层带概率图的 U-Net 预测多尺度平稳速度场，并靠分离与嵌套损失约束表面间距。

SimCortex v2 把左右半球的白质与软膜四张皮层表面放进同一个变形空间联合重建，在 560 例、14 个队列的 T1 加权 MRI 上把表面距离精度做到与最强基线相当，同时 92.14% 的病例完全没有表面间碰撞，而所有对比方法在每个病例中都至少出现一次碰撞。它先用分割结果生成拓扑正确的初始网格，再用带皮层带概率图的 U-Net 预测多尺度平稳速度场，并靠分离与嵌套损失约束表面间距。

该工作提出 UniField，一个统一的多模态、多任务 MRI 场强增强框架：它把 T1、T2、FLAIR 以及 64mT→3T、3T→7T 等跨场强任务合并到单一模型中，借助预训练视频超分模型 FlashVSR 的潜空间与 LoRA 微调引入 3D 结构先验，并用场强感知频谱校正机制（FASRM）按源/目标场强的物理特性调整低、中、高频损失权重，同时整理并公开一个来自五家机构、规模比既有基准大一个数量级的配对多场强 MRI 数据集；实验报告相对对比方法平均提升约 1.81 dB PSNR 和 9.47% SSIM。

该工作提出 UniField，一个统一的多模态、多任务 MRI 场强增强框架：它把 T1、T2、FLAIR 以及 64mT→3T、3T→7T 等跨场强任务合并到单一模型中，借助预训练视频超分模型 FlashVSR 的潜空间与 LoRA 微调引入 3D 结构先验，并用场强感知频谱校正机制（FASRM）按源/目标场强的物理特性调整低、中、高频损失权重，同时整理并公开一个来自五家机构、规模比既有基准大一个数量级的配对多场强 MRI 数据集；实验报告相对对比方法平均提升约 1.81 dB PSNR 和 9.47% SSIM。

该研究提出 NeuralShift——一个基于 U-Net 的模型，仅以术前 MRI 和编码切除侧别的半球指示掩膜为输入，预测从术前到术中 MRI 的稠密位移场、术中脑掩膜及其符号距离函数；在 98 例癫痫颞叶切除患者的配对 T1 加权 MRI 上以 9 折交叉验证评估，预测掩膜与术中掩膜的 Dice 为 0.97±0.01（术前掩膜为 0.92±0.01），切除侧与中线标志点的 TRE 由未变形术前的约 4.58 mm 降至约 2.96 mm（左侧）和约 4.41 mm 降至约 2.89 mm（右侧），最低达 1.12 mm。

该研究提出 NeuralShift——一个基于 U-Net 的模型，仅以术前 MRI 和编码切除侧别的半球指示掩膜为输入，预测从术前到术中 MRI 的稠密位移场、术中脑掩膜及其符号距离函数；在 98 例癫痫颞叶切除患者的配对 T1 加权 MRI 上以 9 折交叉验证评估，预测掩膜与术中掩膜的 Dice 为 0.97±0.01（术前掩膜为 0.92±0.01），切除侧与中线标志点的 TRE 由未变形术前的约 4.58 mm 降至约 2.96 mm（左侧）和约 4.41 mm 降至约 2.89 mm（右侧），最低达 1.12 mm。

该预印本在 MyoSegmenTUM、AIPS、Sheffield 三个基础数据集及由 MyoSegmenTUM 衍生的病理子集与增强分布偏移数据集上，对八种开源大腿肌肉 MRI 分割工具（含可独立运行的六种与需提示的两种 SAM 变体）做独立头对头评测，结合 Dice、Jaccard、Hausdorff、边界 IoU、跨层 Dice 比等多指标与定性可用性审查，发现面向领域的 U-Net 模型尤其 MuscleMap 整体模型在多数数据集上优于基础模型与较新的通用架构，叠加 SAM 变体多数情况下反而降低分割质量，且多数工具在病理样本上表现下降。

该预印本在 MyoSegmenTUM、AIPS、Sheffield 三个基础数据集及由 MyoSegmenTUM 衍生的病理子集与增强分布偏移数据集上，对八种开源大腿肌肉 MRI 分割工具（含可独立运行的六种与需提示的两种 SAM 变体）做独立头对头评测，结合 Dice、Jaccard、Hausdorff、边界 IoU、跨层 Dice 比等多指标与定性可用性审查，发现面向领域的 U-Net 模型尤其 MuscleMap 整体模型在多数数据集上优于基础模型与较新的通用架构，叠加 SAM 变体多数情况下反而降低分割质量，且多数工具在病理样本上表现下降。