論文の概要: TRACE: Temporal Radiology with Anatomical Change Explanation for Grounded X-ray Report Generation
- arxiv url: http://arxiv.org/abs/2602.02963v1
- Date: Tue, 03 Feb 2026 01:03:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.16622
- Title: TRACE: Temporal Radiology with Anatomical Change Explanation for Grounded X-ray Report Generation
- Title（参考訳）: TRACE : 地中X線画像生成のための解剖学的変化説明を伴う経時的X線画像診断
- Authors: OFM Riaz Rahman Aranya, Kevin Desai,
- Abstract要約: 本稿では,時間的比較,変化分類,空間的局所化を共同で行う最初のモデルであるTRACE(Temporal Radiology with Anatomical Change Explanation)を紹介する。
従来の胸部X線と現在の胸部X線が与えられたら、TRACEは境界箱座標で各発見を接地しながら、間隔変化の自然言語記述を生成する。
我々のアブレーション研究は、時間的比較と空間的接地が共同で学習された場合にのみ、変化検出が生じるという、創発的な能力を明らかにする。
- 参考スコア（独自算出の注目度）: 4.726777092009554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal comparison of chest X-rays is fundamental to clinical radiology, enabling detection of disease progression, treatment response, and new findings. While vision-language models have advanced single-image report generation and visual grounding, no existing method combines these capabilities for temporal change detection. We introduce Temporal Radiology with Anatomical Change Explanation (TRACE), the first model that jointly performs temporal comparison, change classification, and spatial localization. Given a prior and current chest X-ray, TRACE generates natural language descriptions of interval changes (worsened, improved, stable) while grounding each finding with bounding box coordinates. TRACE demonstrates effective spatial localization with over 90% grounding accuracy, establishing a foundation for this challenging new task. Our ablation study uncovers an emergent capability: change detection arises only when temporal comparison and spatial grounding are jointly learned, as neither alone enables meaningful change detection. This finding suggests that grounding provides a spatial attention mechanism essential for temporal reasoning.
- Abstract（参考訳）: 胸部X線と胸部X線との時間的比較は臨床放射線学の基礎であり,疾患の進行,治療反応,新しい所見の検出を可能にする。
視覚言語モデルには先進的な単一画像のレポート生成と視覚的グラウンド化があるが、時間的変化検出にこれらの機能を組み合わせる方法は存在しない。
本稿では,時間的比較,変化分類,空間的局所化を共同で行う最初のモデルである,解剖学的変化説明(TRACE)を用いた時間的放射線学を紹介する。
従来の胸部X線と現在の胸部X線が与えられたとき、TRACEは境界ボックス座標を用いて各発見を接地しながら、間隔変化(修正、改善、安定)の自然言語記述を生成する。
TRACEは、90%以上の精度で効果的な空間的局所化を示し、この挑戦的な新しいタスクの基礎を確立している。
変化検出は時間的比較と空間的接地が共同で学習された場合にのみ起こり、どちらも意味のある変化検出を可能にする。
この発見は、グラウンドリングが時間的推論に不可欠な空間的注意機構をもたらすことを示唆している。
関連論文リスト
- Capturing Longitudinal Changes in Brain Morphology Using Temporally Parameterized Neural Displacement Fields [1.8124328823188356]
時間パラメータ化ニューラル変位場を用いた構造変化をモデル化する新しい縦型登録法を提案する。
本手法が4次元脳MRレジストレーションに及ぼす影響を実証する。
論文 参考訳（メタデータ） (2025-04-13T10:38:00Z) - A Comparison of Object Detection and Phrase Grounding Models in Chest X-ray Abnormality Localization using Eye-tracking Data [1.4272411349249625]
本稿では,これら2つのタスクのパフォーマンスと説明可能性を比較し,胸部X線におけるテキストの異常局所化をいかに促進するかを検討する。
説明可能性ベースラインを確立するため,我々は,放射線学者の視線追跡データを用いて,文章の表示領域を自動生成するパイプラインを提案する。
句接地モデルのmIoU = 0.36 vs. 0.20, および説明可能性 - 含量比 0.48 vs. 0.26 は, 胸部X線異常局在の増強におけるテキストの有効性を推察する。
論文 参考訳（メタデータ） (2025-03-02T21:54:47Z) - Domain Adaptive Lung Nodule Detection in X-ray Image [3.660022474436894]
本稿では,教師の自己学習と対照的学習を活用した肺結節検出のための新しい領域適応手法を提案する。
まず、結節表現を洗練させ、結節と背景の区別を強化する階層的コントラスト学習戦略を提案する。
第2に,NDL(nodule-level domain-invariant feature learning)モジュールを導入した。
論文 参考訳（メタデータ） (2024-07-28T04:46:55Z) - RECAP: Towards Precise Radiology Report Generation via Dynamic Disease
Progression Reasoning [14.440200446778642]
本稿では, ダイナミックな疾患進行推論を用いて, 高精度かつ正確な放射線診断レポートを生成するRECAPを提案する。
次に、レポート生成のための履歴記録、時間情報、およびラジオグラフを組み合わせて、進行グラフと動的進行推論機構を考案し、各観測および進行の属性を正確に選択する。
論文 参考訳（メタデータ） (2023-10-21T00:05:32Z) - DeepLOC: Deep Learning-based Bone Pathology Localization and
Classification in Wrist X-ray Images [1.45543311565555]
本稿では,手首X線画像における骨病理像の局在と分類のための新しいアプローチを提案する。
提案手法は,手首X線解析における2つの重要な課題,骨の正確な局在化と異常の正確な分類に対処する。
論文 参考訳（メタデータ） (2023-08-24T12:06:10Z) - 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) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。
このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。
本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文 参考訳（メタデータ） (2020-10-09T10:15:26Z) - 4D Spatio-Temporal Deep Learning with 4D fMRI Data for Autism Spectrum
Disorder Classification [69.62333053044712]
ASD分類のための4次元畳み込み深層学習手法を提案する。
F1スコアは0.71、F1スコアは0.65であるのに対し、我々は4Dニューラルネットワークと畳み込みリカレントモデルを採用する。
論文 参考訳（メタデータ） (2020-04-21T17:19:06Z)
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。