論文の概要: OrthoDiffusion: A Generalizable Multi-Task Diffusion Foundation Model for Musculoskeletal MRI Interpretation

• arxiv url: http://arxiv.org/abs/2602.20752v1
• Date: Tue, 24 Feb 2026 10:29:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.713946
• Title: OrthoDiffusion: A Generalizable Multi-Task Diffusion Foundation Model for Musculoskeletal MRI Interpretation
• Title（参考訳）: OrthoDiffusion:筋骨格MRI解釈のための一般化可能なマルチタスク拡散基盤モデル
• Authors: Tian Lan, Lei Xu, Zimu Yuan, Shanggui Liu, Jiajun Liu, Jiaxin Liu, Weilai Xiang, Hongyu Yang, Dong Jiang, Jianxin Yin, Dingyu Wang,
• Abstract要約: 筋骨格障害は、世界的な健康上の重荷であり、世界中の障害の主要な原因である。 マルチタスク筋骨格MRIの解釈のために設計された統合拡散基盤モデルOrthoDiffusionを開発した。 このフレームワークは、3つの方向特異的な3D拡散モデルを利用しており、15,948個のラベルのない膝MRIスキャンで自己指導的に事前訓練されている。
• 参考スコア（独自算出の注目度）: 36.4629764779715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Musculoskeletal disorders represent a significant global health burden and are a leading cause of disability worldwide. While MRI is essential for accurate diagnosis, its interpretation remains exceptionally challenging. Radiologists must identify multiple potential abnormalities within complex anatomical structures across different imaging planes, a process that requires significant expertise and is prone to variability. We developed OrthoDiffusion, a unified diffusion-based foundation model designed for multi-task musculoskeletal MRI interpretation. The framework utilizes three orientation-specific 3D diffusion models, pre-trained in a self-supervised manner on 15,948 unlabeled knee MRI scans, to learn robust anatomical features from sagittal, coronal, and axial views. These view-specific representations are integrated to support diverse clinical tasks, including anatomical segmentation and multi-label diagnosis. Our evaluation demonstrates that OrthoDiffusion achieves excellent performance in the segmentation of 11 knee structures and the detection of 8 knee abnormalities. The model exhibited remarkable robustness across different clinical centers and MRI field strengths, consistently outperforming traditional supervised models. Notably, in settings where labeled data was scarce, OrthoDiffusion maintained high diagnostic precision using only 10\% of training labels. Furthermore, the anatomical representations learned from knee imaging proved highly transferable to other joints, achieving strong diagnostic performance across 11 diseases of the ankle and shoulder. These findings suggest that diffusion-based foundation models can serve as a unified platform for multi-disease diagnosis and anatomical segmentation, potentially improving the efficiency and accuracy of musculoskeletal MRI interpretation in real-world clinical workflows.
• Abstract（参考訳）: 筋骨格障害は、世界的な健康上の重荷であり、世界中の障害の主要な原因である。 MRIは正確な診断には不可欠であるが、その解釈は非常に困難である。 放射線学者は、様々な撮像面にまたがる複雑な解剖学的構造内の複数の潜在的な異常を識別しなければならない。 マルチタスク筋骨格MRIの解釈のために設計された統合拡散基盤モデルOrthoDiffusionを開発した。 このフレームワークは、3つの方向特異的な3次元拡散モデルを用いて、15,948個のラベルのない膝MRIスキャンで自己指導的にトレーニングし、矢状、コロナ、軸方向からの堅牢な解剖学的特徴を学習する。 これらのビュー固有表現は、解剖学的セグメンテーションや多ラベル診断を含む様々な臨床タスクをサポートするために統合されている。 以上の結果から,OrthoDiffusionは11の膝構造物のセグメンテーションと8の膝異常の検出において優れた性能を発揮することが示された。 このモデルは、異なる臨床センターとMRI野の強さで顕著な堅牢性を示し、従来の教師付きモデルよりも一貫して優れていた。 ラベル付きデータが不足している環境では、OrthoDiffusionはトレーニングラベルの10%しか使用せず、高い診断精度を維持していた。 さらに, 膝関節造影像から得られた解剖学的所見は, 他関節に高い伝達性を示し, 足首, 肩の11疾患の診断成績が良好であった。 以上の結果から,拡散基盤モデルが多変量診断と解剖学的分類の統一プラットフォームとして機能し,実際の臨床ワークフローにおける筋骨格MRI解釈の効率と精度を向上させる可能性が示唆された。

関連論文リスト

• A multimodal vision foundation model for generalizable knee pathology [40.03838145472935]
  筋骨格障害は、医療画像の正確な解釈に対する緊急の要求である。 現在の整形外科における人工知能のアプローチは、タスク固有の教師あり学習パラダイムに依存している。 筋骨格病理学に最適化されたマルチモーダル視覚基盤モデルOrthoFoundationを紹介する。
  論文  参考訳（メタデータ） (2026-01-26T08:14:51Z)
• MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
  医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。 本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
  論文  参考訳（メタデータ） (2026-01-16T02:32:07Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• Opportunistic Osteoporosis Diagnosis via Texture-Preserving Self-Supervision, Mixture of Experts and Multi-Task Integration [17.26626371820754]
  骨粗しょう症診断のための3つの革新を取り入れた統合型深層学習フレームワークを提案する。 まず, 放射能表現を用いた自己教師型学習法を用いて, ラベルのないCTデータを活用し, 骨のテクスチャを保存する。 第2に、クロスデバイス適応性を高めるための学習ゲーティング機構を備えたMixture of Experts (MoE)アーキテクチャ。
  論文  参考訳（メタデータ） (2025-06-25T09:43:09Z)
• RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
  RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。 システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
  論文  参考訳（メタデータ） (2025-06-17T03:10:33Z)
• BrainMRDiff: A Diffusion Model for Anatomically Consistent Brain MRI Synthesis [11.73947657846282]
  BrainMRDiffは、脳MRIのための新しいトポロジー保存、解剖学的誘導拡散モデルである。 これを実現するために,腫瘍+構造凝集(TSA)とトポロジーガイド解剖保存(TGAP)の2つの重要なモジュールを紹介した。 TSAは様々な解剖学的構造と腫瘍情報を統合し、拡散過程の包括的な条件付け機構を形成する。 BrainMRDiffは既存のベースラインを超え、BraTS-AGデータセットで23.33%、BraTS-Metデータセットで33.33%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2025-04-06T16:16:50Z)
• A Multi-Site Study on AI-Driven Pathology Detection and Osteoarthritis Grading from Knee X-Ray [0.0]
  変形性関節症や変形性膝関節症のような骨の健康障害は、世界的な健康問題を引き起こす。 本研究では, 膝X線を解析し, 重要な病態を検出するAIシステムを提案する。 また、変形性関節症の重症度も評価し、タイムリーにパーソナライズされた治療を可能にしている。
  論文  参考訳（メタデータ） (2025-03-28T06:41:22Z)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)

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。