論文の概要: RadiomicsRetrieval: A Customizable Framework for Medical Image Retrieval Using Radiomics Features
- arxiv url: http://arxiv.org/abs/2507.08546v1
- Date: Fri, 11 Jul 2025 12:48:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-14 18:03:54.358782
- Title: RadiomicsRetrieval: A Customizable Framework for Medical Image Retrieval Using Radiomics Features
- Title(参考訳): Radiomics Retrieval: 放射線の特徴を利用した医用画像検索のためのカスタマイズ可能なフレームワーク
- Authors: Inye Na, Nejung Rue, Jiwon Chung, Hyunjin Park,
- Abstract要約: RadiomicsRetrievalは、医用画像のための3Dコンテンツベースの検索フレームワークである。
既存の2Dアプローチとは異なり、RadiomicsRetrievalは、医療画像のよりリッチな空間コンテキストを活用するために、ボリュームデータを完全に活用する。
- 参考スコア(独自算出の注目度): 3.0015555136149175
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Medical image retrieval is a valuable field for supporting clinical decision-making, yet current methods primarily support 2D images and require fully annotated queries, limiting clinical flexibility. To address this, we propose RadiomicsRetrieval, a 3D content-based retrieval framework bridging handcrafted radiomics descriptors with deep learning-based embeddings at the tumor level. Unlike existing 2D approaches, RadiomicsRetrieval fully exploits volumetric data to leverage richer spatial context in medical images. We employ a promptable segmentation model (e.g., SAM) to derive tumor-specific image embeddings, which are aligned with radiomics features extracted from the same tumor via contrastive learning. These representations are further enriched by anatomical positional embedding (APE). As a result, RadiomicsRetrieval enables flexible querying based on shape, location, or partial feature sets. Extensive experiments on both lung CT and brain MRI public datasets demonstrate that radiomics features significantly enhance retrieval specificity, while APE provides global anatomical context essential for location-based searches. Notably, our framework requires only minimal user prompts (e.g., a single point), minimizing segmentation overhead and supporting diverse clinical scenarios. The capability to query using either image embeddings or selected radiomics attributes highlights its adaptability, potentially benefiting diagnosis, treatment planning, and research on large-scale medical imaging repositories. Our code is available at https://github.com/nainye/RadiomicsRetrieval.
- Abstract(参考訳): 医用画像検索は臨床的意思決定を支援する貴重な分野であるが、現在の方法では主に2次元画像をサポートし、完全に注釈付きクエリを必要とするため、臨床の柔軟性が制限されている。
この問題を解決するために,3次元コンテンツに基づく検索フレームワークであるRadiomicsRetrievalを提案する。
既存の2Dアプローチとは異なり、RadiomicsRetrievalは、医療画像のよりリッチな空間コンテキストを活用するために、ボリュームデータを完全に活用する。
我々は,腫瘍特異的な画像埋め込みを導出するために,腫瘍から抽出した放射線学的特徴と対比して,プロンプト可能なセグメンテーションモデル(SAMなど)を用いている。
これらの表現は解剖学的位置埋め込み(APE)によってさらに豊かになる。
その結果、RadiomicsRetrievalは、形状、位置、または部分的な特徴セットに基づいた柔軟なクエリを可能にする。
肺CTと脳MRIの両方のパブリックデータセットに関する大規模な実験では、放射線学的特徴が検索特異性を大幅に向上する一方、APEは位置ベースの検索に不可欠なグローバルな解剖学的コンテキストを提供する。
特に、我々のフレームワークは最小限のユーザープロンプト(例:1ポイント)しか必要とせず、セグメンテーションのオーバーヘッドを最小限に抑え、多様な臨床シナリオをサポートする。
画像埋め込みまたは選択された放射線特性を用いてクエリする能力は、適応性を強調し、診断、治療計画、大規模医用画像リポジトリの研究に有用である可能性がある。
私たちのコードはhttps://github.com/nainye/RadiomicsRetrieval.comから入手可能です。
関連論文リスト
- PRS-Med: Position Reasoning Segmentation with Vision-Language Model in Medical Imaging [6.411386758550256]
PRS-Medは、視覚言語モデルとセグメンテーション機能を統合し、正確なセグメンテーションマスクとそれに対応する空間推論出力の両方を生成するフレームワークである。
MMRSデータセットは、医療画像における位置推論データの欠如に対処するために、多様な空間的な質問応答ペアを提供する。
論文 参考訳(メタデータ) (2025-05-17T06:42:28Z) - RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [48.21287619304126]
本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。
我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。
RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
論文 参考訳(メタデータ) (2025-03-06T17:43:03Z) - MedFuncta: Modality-Agnostic Representations Based on Efficient Neural Fields [1.931185411277237]
我々は、ニューラルネットワークに基づくモダリティに依存しない連続データ表現であるMedFunctaを紹介する。
医療信号の冗長性を利用して、単一インスタンスから大規模データセットにニューラルネットワークをスケールする方法を実証する。
我々は、この方向の研究を促進するために、 > 550kの注釈付きニューラルネットワークの大規模なデータセットをリリースする。
論文 参考訳(メタデータ) (2025-02-20T09:38:13Z) - SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location
on MRI [13.912230325828943]
本稿では,MRIにおける骨分割のための汎用的,一般公開的なディープラーニングモデルを提案する。
提案モデルでは,完全自動セグメンテーションとプロンプトベースセグメンテーションの2つのモードで動作可能である。
1) さまざまなMRIプロトコルにまたがる新しいMRIデータセットの収集,注釈付けを行い,300以上の注釈付きボリュームと8485個の注釈付きスライスを含む。
論文 参考訳(メタデータ) (2024-01-23T18:59:25Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳(メタデータ) (2023-11-18T14:52:26Z) - Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。
X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。
画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
論文 参考訳(メタデータ) (2023-05-26T07:12:35Z) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳(メタデータ) (2022-07-10T06:32:56Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳(メタデータ) (2021-04-11T09:16:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。