論文の概要: Radiology Report Generation for Low-Quality X-Ray Images

• arxiv url: http://arxiv.org/abs/2604.10188v1
• Date: Sat, 11 Apr 2026 12:42:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.89705
• Title: Radiology Report Generation for Low-Quality X-Ray Images
• Title（参考訳）: 低画質X線画像のための放射線学レポート生成
• Authors: Hongze Zhu, Chen Hu, Jiaxuan Jiang, Hong Liu, Yawen Huang, Ming Hu, Tianyu Wang, Zhijian Wu, Yefeng Zheng,
• Abstract要約: VLM(Vision-Language Models)は、非常に高度な自動放射線診断レポート生成(RRG)を備えている。 既存の手法では、暗黙的に高品質な入力を仮定し、実際の臨床環境で流行するノイズやアーティファクトを見渡す。 本稿では,画像品質の変動を考慮したロバストなレポート生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 47.455316078409
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language Models (VLMs) have significantly advanced automated Radiology Report Generation (RRG). However, existing methods implicitly assume high-quality inputs, overlooking the noise and artifacts prevalent in real-world clinical environments. Consequently, current models exhibit severe performance degradation when processing suboptimal images. To bridge this gap, we propose a robust report generation framework explicitly designed for image quality variations. We first introduce an Automated Quality Assessment Agent (AQAA) to identify low-quality samples within the MIMIC-CXR dataset and establish the Low-quality Radiology Report Generation (LRRG) benchmark. To tackle degradation-induced shifts, we propose a novel Dual-loop Training Strategy leveraging bi-level optimization and gradient consistency. This approach ensures the model learns quality-agnostic diagnostic features by aligning gradient directions across varying quality regimes. Extensive experiments demonstrate that our approach effectively mitigates model performance degradation caused by image quality deterioration. The code and data will be released upon acceptance.
• Abstract（参考訳）: VLM(Vision-Language Models)は、非常に高度な自動放射線診断レポート生成(RRG)である。 しかし、既存の手法では暗黙的に高品質な入力を仮定し、現実の臨床環境で流行するノイズやアーティファクトを見下ろしている。 結果として、現在のモデルでは、最適化された画像を処理する際に大きな性能劣化を示す。 このギャップを埋めるために,画像品質の変動を考慮した堅牢なレポート生成フレームワークを提案する。 まず,MIMIC-CXRデータセット内の低品質サンプルを識別する自動品質評価エージェント(AQAA)を導入し,低品質放射線学レポート生成(LRRG)ベンチマークを構築した。 劣化に伴うシフトに対処するために,二段階最適化と勾配整合性を利用した新しいデュアルループトレーニング戦略を提案する。 このアプローチは、モデルが様々な品質体系をまたいで勾配方向を整列することで、品質に依存しない診断特徴を学習することを保証する。 本手法は画像品質劣化によるモデル性能劣化を効果的に軽減することを示した。 コードとデータは受理時にリリースされる。

関連論文リスト

• Beyond Ground-Truth: Leveraging Image Quality Priors for Real-World Image Restoration [21.358966811756645]
  実世界の画像復元は、制御されていない条件下で取得した劣化した低品質(LQ)入力から高品質(HQ)イメージを復元することを目的としている。 既存の手法は通常、GTが完全な基準品質を提供すると仮定して、GTの監督に依存する。 本研究では,事前学習したNo-Reference Image Quality Assessment(NR-IQA)モデルから抽出した画像品質優先(IQP)モデルを提案する。
  論文  参考訳（メタデータ） (2026-03-31T14:13:10Z)
• Evaluating and Preserving High-level Fidelity in Super-Resolution [50.65679806442527]
  超解像モデル(SR)は、細部を再構築し、快適な視覚出力を提供することで印象的な効果を達成している。 しかし、過剰な生成能力は時として幻覚を起こし、画像の内容を変えることがある。 この種のハイレベルな変化は、人間によって容易に識別できるが、既存の低レベルの画像品質指標では十分に研究されていない。
  論文  参考訳（メタデータ） (2025-12-07T22:53:34Z)
• LMM-IQA: Image Quality Assessment for Low-Dose CT Imaging [0.0]
  低線量CTは、低線量で患者の安全性を著しく向上させる。 しかし、ノイズ、ぼかし、コントラスト損失の増加は診断品質を低下させる可能性がある。 劣化の数値スコアとテキスト記述の両方を生成するLLMに基づく品質評価システムを提案する。
  論文  参考訳（メタデータ） (2025-11-10T16:56:11Z)
• IQPFR: An Image Quality Prior for Blind Face Restoration and Beyond [56.99331967165238]
  Blind Face Restoration (BFR)は、劣化した低品質(LQ)の顔画像を高品質(HQ)の出力に再構成する課題に対処する。 本研究では,非参照画像品質評価(NR-IQA)モデルから得られた画像品質優先(IQP)を組み込んだ新しいフレームワークを提案する。 提案手法は,複数のベンチマークにおいて最先端技術より優れている。
  論文  参考訳（メタデータ） (2025-03-12T11:39:51Z)
• IQA-Adapter: Exploring Knowledge Transfer from Image Quality Assessment to Diffusion-based Generative Models [0.5356944479760104]
  画像品質評価(IQA)モデルを拡散型ジェネレータに統合する手法を提案する。 拡散モデルはIQAモデルの出力と内部アクティベーションの両方から複雑な定性的関係を学習できることを示す。 IQA-Adapterは,画像と品質スコアの暗黙的関係を学習することで,目標品質レベルの生成を条件付ける新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-12-02T18:40:19Z)
• Dual-Representation Interaction Driven Image Quality Assessment with Restoration Assistance [11.983231834400698]
  歪み画像の非参照画像品質評価は、画像内容のばらつきと歪みの多様性のために常に難しい問題である。 以前のIQAモデルは、主に、品質スコア予測のための品質認識表現を得るために、合成画像の明示的な単一品質特徴を符号化していた。 低画質画像の劣化・品質情報を別々にモデル化するDRI法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T12:48:47Z)
• Rethinking Medical Anomaly Detection in Brain MRI: An Image Quality Assessment Perspective [11.299666944696368]
  脳MRIにおける異常検出タスクには、再構成に基づく手法が広く採用されている。 本稿では,構造類似度指標尺度(SSIM)の構造レベルの感度と,画素レベルのl1の精度を適切に統合する新しい尺度である融合品質を提案する。 我々のIQAアプローチは,最先端のベースラインと統合した場合の医療異常検出性能を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2024-08-15T15:55:07Z)
• G-Refine: A General Quality Refiner for Text-to-Image Generation [74.16137826891827]
  G-Refineは,高画質画像の整合性を損なうことなく,低画質画像の高精細化を図った汎用画像精細機である。 このモデルは、知覚品質指標、アライメント品質指標、一般的な品質向上モジュールの3つの相互接続モジュールで構成されている。 大規模な実験により、G-Refine以降のAIGIは、4つのデータベースで10以上の品質指標でパフォーマンスが向上していることが明らかになった。
  論文  参考訳（メタデータ） (2024-04-29T00:54:38Z)
• DifAugGAN: A Practical Diffusion-style Data Augmentation for GAN-based Single Image Super-resolution [88.13972071356422]
  本稿では,DifAugGAN として知られる GAN ベースの画像超解像法(SR) のための拡散型データ拡張手法を提案する。 それは、訓練中の判別器の校正を改善するために、生成拡散モデルに拡散過程を適用することを含む。 我々のDifAugGANは、現在のGANベースのSISR手法のプラグ・アンド・プレイ戦略であり、判別器の校正を改善し、SR性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-11-30T12:37:53Z)

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。