Fugu-MT 論文翻訳(概要): Foundation Models for Medical Imaging: Status, Challenges, and Directions

論文の概要: Foundation Models for Medical Imaging: Status, Challenges, and Directions

arxiv url: http://arxiv.org/abs/2602.15913v1
Date: Tue, 17 Feb 2026 01:41:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-19 15:58:30.387605
Title: Foundation Models for Medical Imaging: Status, Challenges, and Directions
Title（参考訳）: 医用イメージングの基礎モデル-現状,課題,方向性
Authors: Chuang Niu, Pengwei Wu, Bruno De Man, Ge Wang,
Abstract要約: ファンデーションモデル(FM)は急速に医療画像に変化をもたらしている。このレビューは、FMを開発するための技術的基盤があり、臨床的に認識され、将来のロードマップを提供する。
参考スコア（独自算出の注目度）: 9.491653984670775
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Foundation models (FMs) are rapidly reshaping medical imaging, shifting the field from narrowly trained, task-specific networks toward large, general-purpose models that can be adapted across modalities, anatomies, and clinical tasks. In this review, we synthesize the emerging landscape of medical imaging FMs along three major axes: principles of FM design, applications of FMs, and forward-looking challenges and opportunities. Taken together, this review provides a technically grounded, clinically aware, and future-facing roadmap for developing FMs that are not only powerful and versatile but also trustworthy and ready for responsible translation into clinical practice.
Abstract（参考訳）: ファンデーションモデル(FM)は急速に医療画像に変化をもたらしており、狭い訓練を受けたタスク固有のネットワークから、モダリティ、解剖学、臨床タスクに適応可能な、大規模で汎用的なモデルへとフィールドをシフトしている。本稿では,FMの原理,FMの応用,先見的な課題と機会の3つの主要な軸に沿って,医用画像FMの出現する風景を合成する。このレビューは、強力で多目的であるだけでなく、信頼性があり、臨床実践への責任ある翻訳の準備ができているFMを開発するための技術的基盤があり、臨床的に認識され、将来のロードマップを提供する。

関連論文リスト

Foundation Models in Medical Image Analysis: A Systematic Review and Meta-Analysis [7.905460364844281]
ファンデーションモデル(FM)は、医療画像解析に革命をもたらし、様々な医療画像タスクにおいて、ゼロショットと少数ショットのパフォーマンスを強く証明している。 FMは、ラベル付きおよびラベルなしのマルチモーダルデータセットの大規模なコーパスを利用して、一般化された表現を学習する。医療画像におけるFM研究の急速な普及にもかかわらず、フィールドは断片化されている。本稿では,医療画像解析におけるFMの包括的かつ構造化された分析について述べる。
論文参考訳（メタデータ） (2025-10-19T19:19:23Z)
Does DINOv3 Set a New Medical Vision Standard? [67.33543059306938]
本報告は、DINOv3が、ドメイン固有の事前トレーニングなしで、医用視覚タスクのための強力な統合エンコーダとして機能するかどうかを考察する。我々はDINOv3を2D/3D分類やセグメンテーションを含む一般的な医療ビジョンタスクでベンチマークした。注目すべきは、いくつかのタスクでBiomedCLIPやCT-Netといった医療固有の基礎モデルよりも優れていることだ。
論文参考訳（メタデータ） (2025-09-08T09:28:57Z)
Foundation Models in Medical Imaging -- A Review and Outlook [23.135524334954177]
基礎モデル(FM)は、未ラベルデータの大規模な収集から学んだ医療画像の分析方法を変えつつある。本稿では,FMの病態,放射線学,眼科領域への応用について検討する。
論文参考訳（メタデータ） (2025-06-10T12:14:05Z)
Vision Foundation Models in Medical Image Analysis: Advances and Challenges [7.224426395050136]
ビジョンファウンデーションモデル(VFM)は、医療画像解析の分野で大きな進歩をもたらした。本稿では,VFMの医用画像セグメンテーションへの適応に関する現状研究について概説する。本稿では,アダプタによる改良,知識蒸留技術,マルチスケール・コンテキスト特徴モデリングの最近の発展について論じる。
論文参考訳（メタデータ） (2025-02-20T14:13:46Z)
A Comprehensive Survey of Foundation Models in Medicine [8.879092631568263]
ファンデーションモデル(FM)は、大規模なデータセットに基づいてトレーニングされた大規模ディープラーニングモデルである。我々は医学におけるFMのレビューを行い、その進化、学習戦略、旗艦モデル、アプリケーション、関連する課題に焦点を当てる。本稿では,臨床自然言語処理,医用コンピュータビジョン,グラフ学習,その他のバイオ・オミクス関連タスクにまたがるFM対応医療応用の詳細な分類法を提案する。
論文参考訳（メタデータ） (2024-06-15T20:04:06Z)
Towards Large-Scale Training of Pathology Foundation Models [1.5861468117231254]
我々は、オープンアクセスTCGA全体のスライドイメージに基づいてトレーニングされた、私たちの病理FMの最初のバッチを公開し、公開します。実験により,我々のモデルが様々なパッチレベル下流タスクにおける最先端の性能に達することを示す。本稿では,様々な下流タスクを対象としたFMの一貫性のある評価を目的としたオープンソースフレームワークを提案する。
論文参考訳（メタデータ） (2024-03-24T21:34:36Z)
fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文参考訳（メタデータ） (2023-11-01T07:24:22Z)
Towards Generalist Foundation Model for Radiology by Leveraging Web-scale 2D&3D Medical Data [66.9359934608229]
この研究はRadFMと呼ばれるRadlogy Foundation Modelの開発を開始することを目的としている。われわれの知る限りでは、これは2Dスキャンと3Dスキャンによる、最初の大規模で高品質な医療用ビジュアル言語データセットである。本稿では,モダリティ認識,疾患診断,視覚的質問応答,レポート生成,合理的診断の5つのタスクからなる新しい評価ベンチマークRadBenchを提案する。
論文参考訳（メタデータ） (2023-08-04T17:00:38Z)
Customizing General-Purpose Foundation Models for Medical Report Generation [64.31265734687182]
ラベル付き医用画像-レポートペアの不足は、ディープニューラルネットワークや大規模ニューラルネットワークの開発において大きな課題となっている。本稿では,コンピュータビジョンと自然言語処理の基盤モデル (FM) として,市販の汎用大規模事前学習モデルのカスタマイズを提案する。
論文参考訳（メタデータ） (2023-06-09T03:02:36Z)
Artificial General Intelligence for Medical Imaging Analysis [92.3940918983821]
大規模人工知能(AGI)モデルは、様々な汎用ドメインタスクにおいて前例のない成功を収めた。これらのモデルは、医学分野固有の複雑さとユニークな特徴から生じる顕著な課題に直面している。このレビューは、医療画像、医療などにおけるAGIの将来的な意味についての洞察を提供することを目的としている。
論文参考訳（メタデータ） (2023-06-08T18:04:13Z)
Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
論文参考訳（メタデータ） (2021-06-13T03:56:59Z)

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。