本推文介绍了MICCAI 2025的最佳论文以及获选青年科学家的论文，希望为相关研究人员了解该领域的研究热点提供参考。
本文作者为许东舟，审核为黄星宇和邱雪。
一、会议介绍
MICCAI（International Conference on Medical Image Computing and Computer Assisted Intervention），起源于20年代90世纪初开始的三个独立会议：生物医学计算可视化（VBC）、计算机视觉与虚拟现实在机器人和医学领域的应用（CVRMed）、医疗机器人和计算机辅助手术（MRCAS），并于1998年正式合并。MICCAI近五年的投稿数量及录用数量均逐年增加，但录用率却呈现下降趋势（详见表1），反映出该会议的研究热度快速上升，也意味着竞争激烈程度也在随之上升。
图1 基于MICCAI 2025获奖论文关键词生成的词云图
会议聚焦**医学图像计算、计算机辅助干预/手术与医疗机器人等交叉研究，**典型议题包括导航与机器人、可视化与虚拟现实、计算机辅助诊断、生物医学可视化/成像系统及新兴医学影像应用等，面向临床医生、生物医学与计算机/工程/物理等多学科研究者共同交流前沿方法与应用落地。图1展示了本次MICCAI获奖论文的研究热点。
表1 MICCAI近五年录用情况
|------------|-----------------------|-----------------------|-------------|
| 年份 | 投稿 数量 | 录用 数量 | 录用率 |
| 2021 | 1630 | 531 | 32.6% |
| 2022 | 1831 | 574 | 31.4% |
| 2023 | 2250 | 730 | 32.4% |
| 2024 | 2781 | 857 | 30.8% |
| 2025 | 3447 | 1027 | 29.8% |
会议官网： https://miccai.org/index.php/
二、最佳论文奖
MICCAI每年会从主会论文中评选出3篇年度最佳：其中1篇获最佳论文奖（Best Paper Award），另外2篇为荣誉提名（Runners-up）。Runners-up也同样属于MICCAI官方正式表彰的最佳论文。今年入选论文论文如下，具体更多信息详见表2。
Best Paper Award
（1）Kushal Vyas, Ashok Veeraraghavan, Guha Balakrishnan (RICE University), "Fit Pixels, Get Labels: Meta-learned Implicit Networks for Image Segmentation"
把隐式神经表示（implicit / neural fields）与元学习结合，面向医学图像分割提出新范式。
Runners-up
（2）Héloïse Bustin, Tom Meyer, Jakob Jordan, Lars Walczak, Heiko Tzschätzsch, Ingolf Sack and Anya Hennemuth (Charité -- Universitätsmedizin Berlin) "Multifrequency Neural Network-Based Wave Inversion"
围绕MR Elastography的波场反演问题，提出多频信息融合的神经网络反演框架。
（3）Pedro R. A. S. Bassi, Wenxuan Li, Jieneng Chen, Zheren Zhu, Tianya Lin, Sergio Decherchi, Andrea Cavalli, Kang Wang, Yang Yang, Alan L. Yuille, and Zongwei Zhou (John Hopkins University) "Learning Segmentation from Radiology Reports"
利用放射科报告作为监督信号来学习分割，主打"标注更省、监督更广"。
表2 MICCIA 2025最佳论文奖
|-------------------------------------------------------------------------------|----------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 标题 | K eywords | 研究内容 |
| Fit Pixels, Get Labels: Meta-Learned Implicit Networks for Image Segmentation | Medical Image Segmentation; Implicit Neural Representations; Meta-Learning; MRI | 提出了MetaSeg ：用元学习为隐式神经表示（INR）学习一组"可快速适配"的初始化参数，使INR既拟合像素强度又预测像素类别；测试时只需对单个测试图像做少量拟合即可解码分割标签。在2D/3D 脑MRI分割上取得与U-Net相当的Dice，同时参数量显著减少。 |
| Multifrequency Neural Network-based Wave Inversion in MR Elastography | Magnetic Resonance Elastography; Multifrequency Inversion;Deep Learning | 面向MR弹性成像（MRE）的"波反演"难题，提出了端到端多频神经网络反演（MF-ElastoNet）：不再"逐频率单独反演再融合"，而是把多频观测作为联合输入直接重建组织硬度相关的SWS/刚度图，并结合粘弹性材料模型假设增强稳定性与可用性。在有限元仿真与腹部在体数据上验证了更高精度与更可靠的组织表征。 |
| Learning Segmentation from Radiology Reports | Tumor Segmentation; Radiology Reports; Weak Supervision; CT; Report-driven Supervision | 针对肿瘤CT分割标注稀缺，提出了R-Super（report-supervision loss）：将放射科报告转化为体素级监督信号，用"报告+少量mask"联合训练分割模型。作者构建了 6,718 例 CT-Report 配对数据并与公开CT-Mask数据融合训练，在内外部评测中相对"仅用mask训练"的方案，肿瘤分割F1最高提升可达约16%，在mask极少或较多时均能受益。 |
三、青年科学家奖
MICCAI的青年科学家奖（YSA）主要用来奖励"青年作者领衔"的优秀论文，每年最多5篇。按照官方说明，若论文第一作者在投稿截止日前的近两年内仍是（或曾是）高校学生身份，并且论文被主会录用，就会自动进入 YSA 的评选池，不需要额外报名。今年入选YSA的5篇论文论文如下，具体更多信息详见表3。值得一提的是，今年5位YSA获奖者中有4位为华人作者。
Young Scientist Awards（YSA）
（1）Yidong Zhao, Peter Kellman, Hui Xue, Tongyun Yang, Yi Zhang, Yuchi Han, Orlando Simonetti, Qian Tao "Reverse Imaging for Wide-spectrum Generalization of Cardiac MRI Segmentation"
从"反向成像/物理反演"的角度出发，将不同序列心脏MRI的域差异转化为更可控的成像因素建模，以增强跨序列、跨协议下的分割泛化能力。
（2）Hamidreza Aftabi, John E. Lloyd, Amanda Ding, Benedikt Sagl, Eitan Prisman, Antony Hodgson, Sidney Fels "OsteoOpt: A Bayesian Optimization Framework for Enhancing Bone Union Likelihood in Mandibular Reconstruction Surgery"
面向下颌骨重建手术的术前规划，构建以"骨愈合概率最大化"为目标的贝叶斯优化框架，在多种可调手术参数空间中系统搜索更优方案，服务计算机辅助手术决策。
（3）Qiang Ma, Qingjie Meng, Mengyun Qiao, Paul M. Matthews, Declan P. O'Regan, Wenjia Bai "CardiacFlow: 3D+t Four-Chamber Cardiac Shape Completion and Generation via Flow Matching"
用flow matching 建模心脏四腔 3D+t 形状的生成与补全，通过生成式形状先验提升对稀疏/不完整观测下的时空形态重建能力，并用于形状增强与生成。
（4）Yiming Huang, Long Bai, Beilei Cui, Kun Yuan, Guankun Wang, Mobarak I. Hoque, Nicolas Padoy, Nassir Navab, Hongliang Ren "SurgTPGS: Semantic 3D Surgical Scene Understanding with Text Promptable Gaussian Splatting"
将Gaussian Splatting 引入手术场景 3D 语义理解，并结合"文本可提示"的机制实现更灵活的语义查询与分割，面向动态手术环境的三维重建、识别与导航需求。
（5）Yibo Gao, Hangqi Zhou, Zheyao Gao, Bomin Wang, Shangqi Gao, Sihan Wang, Xiahai Zhuang "Learning Concept-Driven Logical Rules for Interpretable and Generalizable Medical Image Classification"
以"概念"为中间表征，进一步学习可读的逻辑规则来做医学影像分类，在保持性能的同时强化可解释性，并提升对分布外场景的泛化稳定性。
表3 MICCIA 2025青年科学家奖
|----------------------------------------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 标题 | K eywords | 研究内容 |
| Reverse Imaging for Wide-spectrum Generalization of Cardiac MRI Segmentation | CMR Segmentation; Reverse Imaging; MR Physics | 提出了物理驱动的反向成像（Reverse Imaging）用于跨序列泛化：从观测到的心脏MRI中反推潜在自旋属性，将其作为可解释"潜变量"，再合成任意新序列对比度图像以做增强/域适配。关键在于用扩散模型学习"自旋先验"，缓解反演的病态性，从而显著提升不同对比度与协议下的心脏分割鲁棒性。 |
| OsteoOpt: A Bayesian Optimization Framework for Enhancing Bone Union Likelihood in Mandibular Reconstruction Surgery | Mandibular Reconstruction Surgery; Optimization; Computer-Assisted Intervention; Computational Modeling | 面向下颌骨重建术后"骨不连"风险，提出了 OsteoOpt：在患者特异建模与仿真基础上，用贝叶斯优化系统搜索关键手术参数（切除面朝向、供骨位置、移植物长度等）以最大化预测的骨结合概率，并设计代价函数与敏感性分析。用术后5天与1年随访的CT/MRI进行验证，报告显示相对标准方案预测的骨结合概率可提升（最高可达数倍量级），且预测与真实影像结果有一定一致性。 |
| CardiacFlow: 3D+t Four-Chamber Cardiac Shape Completion and Generation via Flow Matching | Cardiac Imaging; Shape Modelling; Flow Matching | 提出了CardiacFlow ：用flow matching/rectified flow学习心脏四腔3D+t形状的生成与补全。先以潜空间rectified flow生成3D形状用于数据增强，再训练标签补全网络从稀疏多视角分割重建3D+t形状；并给出一步式生成模型，利用时间帧周期性编码保证时序一致性。在形状补全任务上通过流式增强降低几何误差（文中示例约16%），并在UK Biobank规模数据上验证生成质量与周期一致性。 |
| SurgTPGS: Semantic 3D Surgical Scene Understanding with Text Promptable Gaussian Splatting | 3D Scene Understanding; Text-Promptable Segmentation; Robotic Surgery | 提出了SurgTPGS ：将Gaussian Splatting用于手术场景的语义3D重建，并实现文本可提示（text-promptable）的3D查询/分割。方法融合SAM与视觉-语言模型以学习3D语义特征，引入语义感知形变跟踪与区域级语义监督优化，以提升动态手术场景的纹理+语义重建一致性，并在真实手术数据集上验证优于现有方法，面向术中导航/规划等应用。 |
| Learning Concept-Driven Logical Rules for Interpretable and Generalizable Medical Image Classification | Explainable-AI; Concept Learning; Rule-based Model | 提出 CRL（Concept Rule Learner）解决概念模型两大痛点：仅提供实例级解释、且软概念易发生"概念泄露"影响可解释性与泛化。CRL将概念预测后二值化，再通过可学习的逻辑层显式建模概念相关性，自动抽取布尔逻辑规则，实现"局部概念解释 + 全局规则解释"的统一；在两项医学图像分类任务上保持竞争性能，同时提升分布外泛化能力。 |
四、总结
以上8篇获奖论文共同反映出一个明确信号：今年MICCAI的关注点在于"如何在真实的临床约束条件下，使方法更加可用"。
首先，分割仍然是医学影像智能中的核心，但突**破口不再只依赖更大的网络结果，而是转向了"如何获得监督 / 如何表示图像"。**最佳论文用隐式神经表示配合元学习，使模型能在新图像上快速适配并解码标签；另一篇runner-up则是通过把放射科报告转成体素级监督，用大量报告替代/补充昂贵的像素标注，解决数据规模稀缺的限制。
**医学成像"物理逆问题学习化"**也变得更受关注：MRE 的多频波场反演用神经网络联合利用多频信息来稳定重建；心脏MRI的反向成像则从成像物理出发反推自旋属性，并用扩散模型来支撑反演与跨序列合成，从而增强跨对比度、跨协议的泛化能力。
最后从任务形态来看**，研究正从2D图像扩展更高维的3D/4D与干预决策**，例如CardiacFlow用flow matching实现了3D+t心脏形态的生成与补全；SurgTPGS把高斯泼溅与文本可提示语义结合，面向术中三维场景理解；OsteoOpt则进一步把优化引入术前规划，用贝叶斯优化搜索更优手术参数组合。
四、