論文の概要: SP-Det: Self-Prompted Dual-Text Fusion for Generalized Multi-Label Lesion Detection

• arxiv url: http://arxiv.org/abs/2512.04875v1
• Date: Thu, 04 Dec 2025 15:05:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.236356
• Title: SP-Det: Self-Prompted Dual-Text Fusion for Generalized Multi-Label Lesion Detection
• Title（参考訳）: SP-Det:汎用マルチラベル病変検出のためのセルフプロンプトデュアルテキストフュージョン
• Authors: Qing Xu, Yanqian Wang, Xiangjian Hea, Yue Li, Yixuan Zhang, Rong Qu, Wenting Duan, Zhen Chen,
• Abstract要約: SP-Detは、リッチテキストコンテキストを自動的に生成し、マルチラベル病変検出をガイドする、新しい自己プロンプト検出フレームワークである。 本稿では,2つの相補的なテキストモダリティを利用するDTPG(Expert-free dual-text prompt generator)を提案する。 胸部X線データを多種多様な胸部疾患分類を用いて実験した結果,SP-Detフレームワークは最先端検出法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 14.796915375957402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated lesion detection in chest X-rays has demonstrated significant potential for improving clinical diagnosis by precisely localizing pathological abnormalities. While recent promptable detection frameworks have achieved remarkable accuracy in target localization, existing methods typically rely on manual annotations as prompts, which are labor-intensive and impractical for clinical applications. To address this limitation, we propose SP-Det, a novel self-prompted detection framework that automatically generates rich textual context to guide multi-label lesion detection without requiring expert annotations. Specifically, we introduce an expert-free dual-text prompt generator (DTPG) that leverages two complementary textual modalities: semantic context prompts that capture global pathological patterns and disease beacon prompts that focus on disease-specific manifestations. Moreover, we devise a bidirectional feature enhancer (BFE) that synergistically integrates comprehensive diagnostic context with disease-specific embeddings to significantly improve feature representation and detection accuracy. Extensive experiments on two chest X-ray datasets with diverse thoracic disease categories demonstrate that our SP-Det framework outperforms state-of-the-art detection methods while completely eliminating the dependency on expert-annotated prompts compared to existing promptable architectures.
• Abstract（参考訳）: 胸部X線による病変の自動検出は,病理組織学的異常の正確な局在化による臨床診断の改善に有意な可能性を示唆している。 最近の迅速検出フレームワークは、目標位置決めにおいて顕著な精度を達成したが、既存の手法は、通常、手動のアノテーションをプロンプトとして頼りにしており、臨床応用には労働集約的で実用的ではない。 この制限に対処するためにSP-Detを提案する。SP-Detは、専門家のアノテーションを必要とせずに、リッチテキストのコンテキストを自動的に生成し、マルチラベルの病変検出をガイドする、新しいセルフプロンプト検出フレームワークである。 具体的には,2つの相補的なテキスト・モーダル性(意味的コンテキスト・プロンプト)を利用する,専門家フリーの2文字・プロンプト・ジェネレータ(DTPG)を導入する。 さらに,包括的診断コンテキストと疾患特異的な埋め込みを相乗的に統合し,特徴表現と検出精度を大幅に向上させる双方向特徴強調器(BFE)を考案した。 胸部X線データセットを多種多様な胸部疾患分類を用いて広範囲に実験したところ,SP-Detフレームワークは最先端検出法より優れており,既存のプロンプト可能なアーキテクチャと比較して,専門家が指示するプロンプトへの依存を完全に排除していることがわかった。

関連論文リスト

• A Disease-Aware Dual-Stage Framework for Chest X-ray Report Generation [15.331803613974365]
  胸部X線レポート生成のための新しい2段階疾患認識フレームワークを提案する。 ステージ1では,特定の病理カテゴリに対応する病的意味トークン(DAST)を学習する。 ステージ2では,病を意識した表現と視覚的特徴を統合するために,病的・視覚的注意融合モジュールを導入する。
  論文  参考訳（メタデータ） (2025-11-15T15:31:51Z)
• Ensemble Deep Learning and LLM-Assisted Reporting for Automated Skin Lesion Diagnosis [2.9307254086347427]
  皮膚科診断のためのAI統合を再定義する統合フレームワークを導入する。 第一に、アーキテクチャ的に多様である畳み込みニューラルネットワークの目的的にヘテロジニアスなアンサンブルは、相補的な診断の視点を提供する。 第2に、診断ワークフローに直接大きな言語モデル機能を組み込んで、分類出力を臨床的に意味のある評価に変換する。
  論文  参考訳（メタデータ） (2025-10-05T08:07:33Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• VICCA: Visual Interpretation and Comprehension of Chest X-ray Anomalies in Generated Report Without Human Feedback [1.5839621757142595]
  本稿では,AI生成医療報告のセマンティックアライメントと位置決め精度の向上を目的とした新しいフレームワークを提案する。 元の画像と生成された画像の特徴を比較することにより、デュアルスコーリングシステムを導入する。 このアプローチは既存の手法よりも優れており、病理の局在化やテキスト・ツー・イメージのアライメントにおいて最先端の結果が得られている。
  論文  参考訳（メタデータ） (2025-01-29T16:02:16Z)
• Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
  リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。 第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。 第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
  論文  参考訳（メタデータ） (2024-04-12T20:39:19Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)

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。