Fugu-MT 論文翻訳(概要): Temporal Inversion for Learning Interval Change in Chest X-Rays

論文の概要: Temporal Inversion for Learning Interval Change in Chest X-Rays

arxiv url: http://arxiv.org/abs/2604.04563v1
Date: Mon, 06 Apr 2026 09:52:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-07 15:49:19.162028
Title: Temporal Inversion for Learning Interval Change in Chest X-Rays
Title（参考訳）: 胸部X線間隔変化学習のための時間反転
Authors: Hanbin Ko, Kyeongmin Jeon, Doowoong Choi, Chang Min Park,
Abstract要約: 本稿では,時間的反転を用いて画像ペアを反転させるフレームワークであるTILA(Temporal Inversion-aware Learning and Alignment)を監視信号として紹介する。 TILAは、事前学習、微調整、推論にまたがる逆認識の目的を統合し、従来の外観モデリングと時間順の明示的な学習を補完する。また、時間的インバージョン下での順序の感度と一貫性を評価するための統一評価プロトコルを提案し、一般的なプロトコルを用いて構築された評価セットであるMS-CXR-Tretrievalを導入する。
参考スコア（独自算出の注目度）: 3.686530147760242
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advances in vision--language pretraining have enabled strong medical foundation models, yet most analyze radiographs in isolation, overlooking the key clinical task of comparing prior and current images to assess interval change. For chest radiographs (CXRs), capturing interval change is essential, as radiologists must evaluate not only the static appearance of findings but also how they evolve over time. We introduce TILA (Temporal Inversion-aware Learning and Alignment), a simple yet effective framework that uses temporal inversion, reversing image pairs, as a supervisory signal to enhance the sensitivity of existing temporal vision-language models to directional change. TILA integrates inversion-aware objectives across pretraining, fine-tuning, and inference, complementing conventional appearance modeling with explicit learning of temporal order. We also propose a unified evaluation protocol to assess order sensitivity and consistency under temporal inversion, and introduce MS-CXR-Tretrieval, a retrieval evaluation set constructed through a general protocol that can be applied to any temporal CXR dataset. Experiments on public datasets and real-world hospital cohorts demonstrate that TILA consistently improves progression classification and temporal embedding alignment when applied to multiple existing architectures.
Abstract（参考訳）: 近年の視覚-言語事前訓練により、強力な医療基盤モデルが実現されているが、ほとんどの場合、X線写真は単独で分析され、前と現在の画像を比較して間隔の変化を評価する重要な臨床課題を見越すことができる。胸部X線写真 (CXRs) では, 撮影間隔の変化が不可欠である。 TILA(Temporal Inversion-aware Learning and Alignment)は、時間的インバージョンを利用して画像ペアを反転させるシンプルなフレームワークであり、既存の時間的視覚言語モデルの方向性変化に対する感度を高めるための監視信号である。 TILAは、事前学習、微調整、推論にまたがる逆認識の目的を統合し、従来の外観モデリングと時間順の明示的な学習を補完する。また、時間的インバージョンの下で順序の感度と一貫性を評価するための統一評価プロトコルを提案し、任意の時間的CXRデータセットに適用可能な汎用プロトコルによって構築された評価セットであるMS-CXR-Tretrievalを導入する。公開データセットと実世界の病院コホートの実験は、TILAが既存の複数のアーキテクチャに適用した場合、進行分類と時間的埋め込みアライメントを一貫して改善することを示した。

関連論文リスト

TRACE: Temporal Radiology with Anatomical Change Explanation for Grounded X-ray Report Generation [4.726777092009554]
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。
論文参考訳（メタデータ） (2026-02-03T01:03:41Z)
Digital FAST: An AI-Driven Multimodal Framework for Rapid and Early Stroke Screening [0.7136933021609076]
本研究では,F.A.S.T.アセスメントで収集したデータをもとに,高速かつ非侵襲的な2次脳卒中自動スクリーニングのための多モード深層学習フレームワークを提案する。提案手法は, 表情, 音声信号, 上体動作からの相補的な情報を統合し, 診断の堅牢性を高める。
論文参考訳（メタデータ） (2026-01-17T03:35:39Z)
Learning the relative composition of EEG signals using pairwise relative shift pretraining [4.9639655603300215]
自己教師付き学習(SSL)は、ラベルのないデータから脳波(EEG)表現を学習するための有望なアプローチを提供する。 PAirwise Relative Shift または PARS pretraining は、ランダムにサンプリングされたEEGウィンドウペア間の相対時間シフトを予測する新しいプリテキストタスクである。 PARS-pretrained transformer はラベル効率および転送学習設定において既存の事前学習戦略を一貫して上回っていることを示す。
論文参考訳（メタデータ） (2025-11-14T23:30:37Z)
Temporally-Aware Diffusion Model for Brain Progression Modelling with Bidirectional Temporal Regularisation [7.097850157718258]
現在のアプローチでは、構造変化と時間間隔の関係を明示的に把握できない。ほとんどのアプローチは2Dスライスベースのアーキテクチャに依存しており、3D解剖学的コンテキストを完全に無視している。我々は,MRIボリュームの脳の進行を正確に予測する3次元時間認識拡散モデル(TADM-3D)を提案する。
論文参考訳（メタデータ） (2025-09-03T08:51:38Z)
Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文参考訳（メタデータ） (2025-06-10T18:40:20Z)
CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
論文参考訳（メタデータ） (2024-11-01T15:54:07Z)
Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
論文参考訳（メタデータ） (2024-05-30T03:15:09Z)
RIDE: Self-Supervised Learning of Rotation-Equivariant Keypoint Detection and Invariant Description for Endoscopy [83.4885991036141]
RIDEは回転同変検出と不変記述のための学習に基づく手法である。内視鏡画像の大規模なキュレーションを自己指導的に行う。マッチングと相対的なポーズ推定タスクに対して、最先端のパフォーマンスを新たに設定する。
論文参考訳（メタデータ） (2023-09-18T08:16:30Z)
XVertNet: Unsupervised Contrast Enhancement of Vertebral Structures with Dynamic Self-Tuning Guidance and Multi-Stage Analysis [2.1987431057890467]
胸部X線は救急医療の主要な診断ツールであり続けているが、微細な解剖学的詳細を捉える能力に限界があるため、診断が遅れることがある。 XVertNetは,X線画像における脊椎構造の可視化を著しく向上するために設計された,新しいディープラーニングフレームワークである。
論文参考訳（メタデータ） (2023-06-06T19:36:11Z)
Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2023-03-16T07:23:55Z)
MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。