論文の概要: MMRQA: Signal-Enhanced Multimodal Large Language Models for MRI Quality Assessment
- arxiv url: http://arxiv.org/abs/2509.24888v1
- Date: Mon, 29 Sep 2025 15:00:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:20.07019
- Title: MMRQA: Signal-Enhanced Multimodal Large Language Models for MRI Quality Assessment
- Title（参考訳）: MMRQA:MRI品質評価のための信号強化マルチモーダル大言語モデル
- Authors: Fankai Jia, Daisong Gan, Zhe Zhang, Zhaochi Wen, Chenchen Dan, Dong Liang, Haifeng Wang,
- Abstract要約: 本稿では,MMRQA(Multimodal MRI Quality Assessment)フレームワークを導入し,MLLM(Multimodal Large Language Model)と取得対応信号処理を統合した。
MMRQAは、MRQyによるロバストなメトリック抽出と、シミュレーションされたアーティファクト、Qwenを用いてメトリクスを問合せペアに構造化した変換、LLaVA-OneVisionのローランク適応(LoRA)によるパラメータ効率の融合を組み合わせた。
- 参考スコア（独自算出の注目度）: 13.830308086211067
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic resonance imaging (MRI) quality assessment is crucial for clinical decision-making, yet remains challenging due to data scarcity and protocol variability. Traditional approaches face fundamental trade-offs: signal-based methods like MRIQC provide quantitative metrics but lack semantic understanding, while deep learning approaches achieve high accuracy but sacrifice interpretability. To address these limitations, we introduce the Multimodal MRI Quality Assessment (MMRQA) framework, pioneering the integration of multimodal large language models (MLLMs) with acquisition-aware signal processing. MMRQA combines three key innovations: robust metric extraction via MRQy augmented with simulated artifacts, structured transformation of metrics into question-answer pairs using Qwen, and parameter-efficient fusion through Low-Rank Adaptation (LoRA) of LLaVA-OneVision. Evaluated on MR-ART, FastMRI, and MyConnectome benchmarks, MMRQA achieves state-of-the-art performance with strong zero-shot generalization, as validated by comprehensive ablation studies. By bridging quantitative analysis with semantic reasoning, our framework generates clinically interpretable outputs that enhance quality control in dynamic medical settings.
- Abstract（参考訳）: 磁気共鳴画像(MRI)の品質評価は臨床的意思決定には不可欠であるが,データ不足とプロトコルの多様性のために依然として困難である。
従来のアプローチでは、MRIQCのような信号ベースの手法は定量的なメトリクスを提供するが、セマンティックな理解が欠如している。
これらの制約に対処するため,MMRQA(Multimodal MRI Quality Assessment)フレームワークを導入し,MLLM(Multimodal Large Language Model)と取得対応信号処理を統合した。
MMRQAは、MRQyによるロバストなメトリック抽出とシミュレーションされたアーティファクト、Qwenを使ってメトリクスを問合せペアに構造化した変換、LLaVA-OneVisionのローランド適応(LoRA)によるパラメータ効率の融合の3つの重要なイノベーションを組み合わせる。
MMRQAはMR-ART、FastMRI、MyConnectomeのベンチマークで評価され、包括的なアブレーション研究によって検証されるように、強いゼロショットの一般化で最先端のパフォーマンスを達成する。
意味論的推論を用いて定量的分析を行うことにより,ダイナミックな医療環境における品質管理を向上する臨床解釈可能なアウトプットを生成する。
関連論文リスト
- Enhancing Machine Learning for Imbalanced Medical Data: A Quantum-Inspired Approach to Synthetic Oversampling (QI-SMOTE) [0.0]
クラス不均衡は、マシンラーニング(ML)、特に医療領域において重要な課題である。
本研究では,新しいデータ拡張技術であるQuantum-Inspired SMOTE(QI-SMOTE)を紹介する。
QI-SMOTEは複雑なデータ構造を保存し、モデルの一般化と分類精度を向上させる合成インスタンスを生成する。
論文 参考訳（メタデータ） (2025-09-02T22:20:46Z) - From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。
この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
論文 参考訳（メタデータ） (2025-08-13T17:56:29Z) - Accelerating multiparametric quantitative MRI using self-supervised scan-specific implicit neural representation with model reinforcement [6.196152347946904]
本稿では,暗黙的ニューラル表現とモデル強化モジュールを組み合わせたREFINE-MOREを提案する。
REFINE-MOREはベースライン法と比較して最小の正規化ルート平均二乗誤差と最高構造類似度指数を達成する。
論文 参考訳（メタデータ） (2025-07-27T03:06:49Z) - Reinforcing Question Answering Agents with Minimalist Policy Gradient Optimization [80.09112808413133]
Mujicaは、質問をサブクエストの非循環グラフに分解するプランナーであり、検索と推論を通じて質問を解決するワーカーである。
MyGOは、従来のポリシー更新を勾配的いいねりの最大推定に置き換える、新しい強化学習手法である。
複数のデータセットにまたがる実験結果から,マルチホップQA性能向上における MujicaMyGO の有効性が示された。
論文 参考訳（メタデータ） (2025-05-20T18:33:03Z) - ChestX-Reasoner: Advancing Radiology Foundation Models with Reasoning through Step-by-Step Verification [57.22053411719822]
ChestX-Reasoner(チェストX-Reasoner)は、臨床報告から直接採掘されるプロセスの監督を活用するために設計された放射線診断MLLMである。
我々の2段階のトレーニングフレームワークは、モデル推論と臨床標準との整合性を高めるために、プロセス報酬によって指導された教師付き微調整と強化学習を組み合わせる。
論文 参考訳（メタデータ） (2025-04-29T16:48:23Z) - M3-AGIQA: Multimodal, Multi-Round, Multi-Aspect AI-Generated Image Quality Assessment [65.3860007085689]
M3-AGIQAは、AI生成画像のより人間らしく総合的な評価を可能にする包括的なフレームワークである。
モデル出力を人間の判断とより密接に整合させることで、M3-AGIQAは堅牢で解釈可能な品質スコアを提供する。
論文 参考訳（メタデータ） (2025-02-21T03:05:45Z) - Acquisition-Independent Deep Learning for Quantitative MRI Parameter Estimation using Neural Controlled Differential Equations [0.0]
NCDEはQMRIパラメータの正確な予測のための汎用ツールとして機能することを示す。
これらの結果は,NCDEが信頼性QMRIパラメータ推定に頑健なアプローチを提供することを示している。
論文 参考訳（メタデータ） (2024-12-30T10:24:30Z) - Q-MRS: A Deep Learning Framework for Quantitative Magnetic Resonance Spectra Analysis [13.779430559468926]
本研究では,トランスファーラーニングを用いたディープラーニング(DL)フレームワークを導入し,シミュレーションデータセット上でモデルを事前学習し,生体内データの微調整を行う。
提案したフレームワークは,BIG GABAレポジトリのPhilipsデータセットに適用した場合,有望なパフォーマンスを示した。
論文 参考訳（メタデータ） (2024-08-28T18:05:53Z) - HAMIL-QA: Hierarchical Approach to Multiple Instance Learning for Atrial LGE MRI Quality Assessment [0.21065896965719066]
本研究では,これらの障害を克服するためのマルチインスタンス学習(MIL)フレームワークであるHAMIL-QAを紹介する。
Hamil-QAは階層的なバッグとサブバッグ構造を採用しており、サブバッグ内のターゲット分析を可能にし、ボリュームレベルで洞察を集約する。
実験の結果,HAMIL-QAは既存のMIL法や従来の教師付きアプローチ,AUROC,F1-Scoreを超越していることがわかった。
論文 参考訳（メタデータ） (2024-07-09T22:19:21Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z)
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。