Fugu-MT 論文翻訳(概要): XMorph: Explainable Brain Tumor Analysis Via LLM-Assisted Hybrid Deep Intelligence

論文の概要: XMorph: Explainable Brain Tumor Analysis Via LLM-Assisted Hybrid Deep Intelligence

arxiv url: http://arxiv.org/abs/2602.21178v1
Date: Tue, 24 Feb 2026 18:28:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-25 17:34:53.881063
Title: XMorph: Explainable Brain Tumor Analysis Via LLM-Assisted Hybrid Deep Intelligence
Title（参考訳）: XMorph: LLM支援ハイブリッドディープインテリジェンスによる説明可能な脳腫瘍解析
Abstract要約: XMorphは、3つの顕著な脳腫瘍の詳細な分類のための説明可能で効率的なフレームワークである。 Information-Weighted boundary Normalization (IWBN) 機構を提案する。デュアルチャネルで説明可能なAIモジュールは、GradCAM++ビジュアルキューとLLM生成したテキストの合理性を組み合わせて、モデル推論を臨床的に解釈可能な洞察に変換する。
参考スコア（独自算出の注目度）: 0.8661035825236842
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning has significantly advanced automated brain tumor diagnosis, yet clinical adoption remains limited by interpretability and computational constraints. Conventional models often act as opaque ''black boxes'' and fail to quantify the complex, irregular tumor boundaries that characterize malignant growth. To address these challenges, we present XMorph, an explainable and computationally efficient framework for fine-grained classification of three prominent brain tumor types: glioma, meningioma, and pituitary tumors. We propose an Information-Weighted Boundary Normalization (IWBN) mechanism that emphasizes diagnostically relevant boundary regions alongside nonlinear chaotic and clinically validated features, enabling a richer morphological representation of tumor growth. A dual-channel explainable AI module combines GradCAM++ visual cues with LLM-generated textual rationales, translating model reasoning into clinically interpretable insights. The proposed framework achieves a classification accuracy of 96.0%, demonstrating that explainability and high performance can co-exist in AI-based medical imaging systems. The source code and materials for XMorph are all publicly available at: https://github.com/ALSER-Lab/XMorph.
Abstract（参考訳）: 深層学習は脳腫瘍の診断を大幅に進歩させたが、臨床応用は解釈可能性や計算上の制約によって制限されている。従来のモデルは、しばしば不透明な「ブラックボックス」として機能し、悪性成長を特徴付ける複雑な不規則な腫瘍の境界を定量化できない。これらの課題に対処するために、XMorphは、グリオーマ、髄膜腫、下垂体腫瘍の3つの顕著な脳腫瘍の詳細な分類のための説明可能な、計算学的に効率的なフレームワークである。 Information-Weighted boundary Normalization (IWBN) 機構を提案する。デュアルチャネルで説明可能なAIモジュールは、GradCAM++ビジュアルキューとLLM生成したテキストの合理性を組み合わせて、モデル推論を臨床的に解釈可能な洞察に変換する。提案フレームワークは96.0%の分類精度を達成し、AIベースの医療画像システムにおいて説明可能性と高性能が共存可能であることを示す。 XMorphのソースコードと資料はすべて、https://github.com/ALSER-Lab/XMorphで公開されている。

関連論文リスト

Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。 BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
論文参考訳（メタデータ） (2026-09-14T10:21:23Z)
Bridging visual saliency and large language models for explainable deep learning in medical imaging [1.0765359420035392]
本稿では、畳み込みニューラルネットワーク予測と脳腫瘍分類のための臨床的に実行可能な洞察のギャップを橋渡しする枠組みを提案する。視覚的、解剖学的、言語的なモダリティを統一されたパイプラインに統合することにより、このフレームワークは技術的に基礎があり、有意義に解釈可能な説明を生成する。
論文参考訳（メタデータ） (2026-05-07T13:08:38Z)
Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
論文参考訳（メタデータ） (2026-03-08T09:54:08Z)
AI-Enhanced Virtual Biopsies for Brain Tumor Diagnosis in Low Resource Settings [0.0]
本稿では, 軽量畳み込みニューラルネットワーク(CNN)と放射能式手工芸品を用いた2次元脳MRI画像の4クラス分類のための仮想生検パイプラインの試作について述べる。臨床診断や病理学の代用ではなく、意思決定支援として構成されている。
論文参考訳（メタデータ） (2025-12-19T19:53:56Z)
Hybrid Ensemble Approaches: Optimal Deep Feature Fusion and Hyperparameter-Tuned Classifier Ensembling for Enhanced Brain Tumor Classification [24.801687550103217]
本研究では、特徴抽出のための組立事前学習(DL)モデルと、脳腫瘍を効率的に分類するための組立微調整機械学習(ML)モデルからなる、新しい二重組立フレームワークを提案する。具体的には,脳MRIから深部特徴を抽出するために,様々なトレーニング済みの深部畳み込みニューラルネットワークと視覚トランスフォーマーネットワークを活用することで,広範な前処理と拡張,伝達学習の概念を含む。
論文参考訳（メタデータ） (2025-07-16T12:22:11Z)
BrainSegDMlF: A Dynamic Fusion-enhanced SAM for Brain Lesion Segmentation [39.74162517990082]
脳画像における実質的な脳病変は、病変領域と正常な脳組織の間に不明瞭な境界を持つ高い異種性を示す。単一スライスにおける小病変の同定は困難であり, 異常領域の正確な再現性セグメンテーション, 特徴記述は非常に複雑である。既存の手法には次のような制限がある: 1) 診断に一般的に使用されるマルチモーダル情報を無視し、学習に単一モーダル情報のみに依存する。
論文参考訳（メタデータ） (2025-05-09T15:40:09Z)
Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-05-22T02:46:26Z)
Attention-Enhanced Hybrid Feature Aggregation Network for 3D Brain Tumor Segmentation [0.9897828700959131]
グリオ芽腫は、早期診断と迅速な介入を必要とする非常に攻撃的で悪性な脳腫瘍である。この課題に対処するため、人工知能(AI)が主導する医療のアプローチは、脳腫瘍の効率的な診断と評価に関心を寄せている。提案手法では,マルチスケール,注意誘導型,ハイブリッドU-Net形状モデルであるGLIMSを用いて,脳腫瘍の3次元セグメント化を行う。
論文参考訳（メタデータ） (2024-03-15T00:52:17Z)
MOAB: Multi-Modal Outer Arithmetic Block For Fusion Of Histopathological Images And Genetic Data For Brain Tumor Grading [0.0]
脳腫瘍は、その成長に基づいて、異なるグレードに分類することができる。グレーディングは組織像に基づいて行われ、患者の予後の最も重要な予測因子の1つである。腫瘍の悪性度を予測するために, 異なるモードの潜在表現を組み合わせ, 算術演算に基づく新しいMOAB(Multi-modal Outer Arithmetic Block)を提案する。
論文参考訳（メタデータ） (2024-03-11T00:33:28Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
論文参考訳（メタデータ） (2023-08-27T22:07:42Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for Attribute-Based Medical Image Diagnosis [42.624671531003166]
本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
論文参考訳（メタデータ） (2022-08-19T12:06:46Z)
Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文参考訳（メタデータ） (2022-01-07T07:46:01Z)
Learn-Morph-Infer: a new way of solving the inverse problem for brain tumor modeling [1.1214822628210914]
本稿では,T1GdとFLAIR MRIから患者特異的な脳腫瘍の空間分布を推定する手法を提案する。 itLearn-Morph-Inferと組み合わせたこの手法は、広く利用可能なハードウェア上で、数分のオーダーでリアルタイムのパフォーマンスを実現する。
論文参考訳（メタデータ） (2021-11-07T13:45:35Z)
Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文参考訳（メタデータ） (2021-08-08T11:26:34Z)
Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。