論文の概要: Med-Banana-50K: A Cross-modality Large-Scale Dataset for Text-guided Medical Image Editing

• arxiv url: http://arxiv.org/abs/2511.00801v2
• Date: Wed, 05 Nov 2025 13:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 13:56:26.167345
• Title: Med-Banana-50K: A Cross-modality Large-Scale Dataset for Text-guided Medical Image Editing
• Title（参考訳）: Med-Banana-50K:テキスト誘導医療画像編集のためのクロスモダリティ大規模データセット
• Authors: Zhihui Chen, Mengling Feng,
• Abstract要約: Med-Banana-50Kは、命令ベースの医用画像編集のための総合的な50K画像データセットである。 我々のデータセットは、Gemini-2.5-Flash-Imageを利用して、実際の医用画像から双方向の編集を生成する。
• 参考スコア（独自算出の注目度）: 10.156463079664134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in multimodal large language models have enabled remarkable medical image editing capabilities. However, the research community's progress remains constrained by the absence of large-scale, high-quality, and openly accessible datasets built specifically for medical image editing with strict anatomical and clinical constraints. We introduce Med-Banana-50K, a comprehensive 50K-image dataset for instruction-based medical image editing spanning three modalities (chest X-ray, brain MRI, fundus photography) and 23 disease types. Our dataset is constructed by leveraging Gemini-2.5-Flash-Image to generate bidirectional edits (lesion addition and removal) from real medical images. What distinguishes Med-Banana-50K from general-domain editing datasets is our systematic approach to medical quality control: we employ LLM-as-Judge with a medically grounded rubric (instruction compliance, structural plausibility, realism, and fidelity preservation) and history-aware iterative refinement up to five rounds. Beyond single-turn editing, Med-Banana-50K includes 37K failed attempts with full conversation logs for preference learning and alignment research. By providing this large-scale, medically validated, and fully documented resource, Med-Banana-50K establishes a foundation for training and evaluating the next generation of medical image editing models.Our dataset and code are publicly available at [https://github.com/richardChenzhihui/med-banana-50k].
• Abstract（参考訳）: マルチモーダルな大規模言語モデルの最近の進歩は、驚くべき医用画像編集機能を実現している。 しかし, 研究コミュニティの進歩は, 厳格な解剖学的, 臨床的な制約を伴って, 医用画像の編集に特化して構築された, 大規模で高品質で, オープンにアクセス可能なデータセットの欠如により, 今もなお拘束されている。 Med-Banana-50Kは,3つのモダリティ(胸部X線,脳MRI,眼底写真)と23種類の疾患にまたがる命令ベースの医用画像編集のための包括的50K画像データセットである。 我々のデータセットは、Gemini-2.5-Flash-Imageを利用して、実際の医療画像から双方向の編集(追加と削除)を生成する。 Med-Banana-50Kと一般ドメイン編集データセットを区別するのは、医療品質管理の体系的なアプローチである。 シングルターン編集以外にも、Med-Banana-50Kには37Kの失敗した試行が含まれている。 Med-Banana-50Kは、この大規模で、医学的に検証され、完全に文書化されたリソースを提供することで、次世代の医用画像編集モデルのトレーニングと評価の基盤を確立します。

関連論文リスト

• Hulu-Med: A Transparent Generalist Model towards Holistic Medical Vision-Language Understanding [112.46150793476603]
  Hulu-Medは透明な医療用VLMで、これらすべてのモダリティの理解を統一する。 パッチベースのビジョンエンコーダとLCMデコーダを統一して構築され、Hulu-Medは2Dから3D、ビデオの理解のために167万 (M) のサンプルを徐々に訓練した。
  論文  参考訳（メタデータ） (2025-10-09T17:06:42Z)
• MedGen: Unlocking Medical Video Generation by Scaling Granularly-annotated Medical Videos [16.86256309424395]
  MedVideoCap-55Kは、医用ビデオ生成のための、最初の大規模、多様な、キャプションに富んだデータセットである。 実際の医療シナリオにまたがる55,000以上のキュレートされたクリップで構成されている。 このデータセット上に構築されたMedGenは,オープンソースモデル間での先行的なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-07-08T04:58:36Z)
• MedGemma Technical Report [75.88152277443179]
  MedGemmaは、Gemma 3 4Bと27Bをベースとした医療ビジョン言語基盤モデルの集合体である。 MedGemmaは、画像とテキストの高度な医学的理解と推論を実証する。 また、SigLIPから派生した医用目視エンコーダであるMedSigLIPを紹介する。
  論文  参考訳（メタデータ） (2025-07-07T17:01:44Z)
• MedEBench: Diagnosing Reliability in Text-Guided Medical Image Editing [14.713122814049806]
  MedEBenchはテキスト誘導医療画像編集における信頼性の診断を目的としたベンチマークである。 MedEBenchは、70の異なる編集タスクと13の解剖学的領域を含む、1,182の臨床試験済みイメージプロンプトペアで構成されている。
  論文  参考訳（メタデータ） (2025-06-02T17:43:01Z)
• MedITok: A Unified Tokenizer for Medical Image Synthesis and Interpretation [23.783507307500116]
  医用画像に適した最初の統一トークン化ツールであるMedITokについて紹介する。 低レベルの構造の詳細と、統合潜在空間内の高レベルの臨床的意味をエンコードする。 9つの画像モダリティと4つの異なるタスクにわたる30以上のデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-25T16:39:35Z)
• UniMed-CLIP: Towards a Unified Image-Text Pretraining Paradigm for Diverse Medical Imaging Modalities [68.12889379702824]
  対照的な学習によって訓練された視覚言語モデル(VLM)は、自然画像タスクにおいて顕著な成功を収めた。 UniMedは530万以上の画像テキストペアからなる、大規模でオープンソースのマルチモーダル医療データセットである。 我々は、6つのモダリティのための統一VLMであるUniMed-CLIPを訓練し、ゼロショット評価において顕著な利益を得た。
  論文  参考訳（メタデータ） (2024-12-13T18:59:40Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Medical diffusion on a budget: Textual Inversion for medical image generation [3.0826983115939823]
  スクラッチからトレーニングするには、大きなキャプション付きデータセットと重要な計算リソースが必要である。 本研究は, 予め訓練した安定拡散モデルを医用画像モダリティに適応させることが, テキスト埋め込みの訓練によって達成可能であることを示す。 トレーニングされた埋め込みはコンパクト(1MB未満)で、プライバシー上の懸念を減らしてデータ共有を容易にする。
  論文  参考訳（メタデータ） (2023-03-23T16:50:19Z)

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。