論文の概要: Region-Grounded Report Generation for 3D Medical Imaging: A Fine-Grained Dataset and Graph-Enhanced Framework

• arxiv url: http://arxiv.org/abs/2604.18145v1
• Date: Mon, 20 Apr 2026 12:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.848784
• Title: Region-Grounded Report Generation for 3D Medical Imaging: A Fine-Grained Dataset and Graph-Enhanced Framework
• Title（参考訳）: 3次元医用イメージングのための地域別レポート生成:細粒度データセットとグラフ強化フレームワーク
• Authors: Cong Huy Nguyen, Son Dinh Nguyen, Guanlin Li, Tuan Dung Nguyen, Aditya Narayan Sankaran, Mai Huy Thong, Thanh Trung Nguyen, Mai Hong Son, Reza Farahbakhsh, Phi Le Nguyen, Noel Crespi,
• Abstract要約: 本稿では,低リソース言語用3D PET/CTデータセットであるVietPET-RoIについて紹介する。 このデータセットの有用性を実証するために,専門的な放射線医学診断ワークフローを模倣する新しいフレームワークであるHiRRAを提案する。 我々のフレームワークは、既存のモデルよりも19.7%、ROUGE-Lは4.7%のSOTA性能を実現している。
• 参考スコア（独自算出の注目度）: 12.353420233737568
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automated medical report generation for 3D PET/CT imaging is fundamentally challenged by the high-dimensional nature of volumetric data and a critical scarcity of annotated datasets, particularly for low-resource languages. Current black-box methods map whole volumes to reports, ignoring the clinical workflow of analyzing localized Regions of Interest (RoIs) to derive diagnostic conclusions. In this paper, we bridge this gap by introducing VietPET-RoI, the first large-scale 3D PET/CT dataset with fine-grained RoI annotation for a low-resource language, comprising 600 PET/CT samples and 1,960 manually annotated RoIs, paired with corresponding clinical reports. Furthermore, to demonstrate the utility of this dataset, we propose HiRRA, a novel framework that mimics the professional radiologist diagnostic workflow by employing graph-based relational modules to capture dependencies between RoI attributes. This approach shifts from global pattern matching toward localized clinical findings. Additionally, we introduce new clinical evaluation metrics, namely RoI Coverage and RoI Quality Index, that measure both RoI localization accuracy and attribute description fidelity using LLM-based extraction. Extensive evaluation demonstrates that our framework achieves SOTA performance, surpassing existing models by 19.7% in BLEU and 4.7% in ROUGE-L, while achieving a remarkable 45.8% improvement in clinical metrics, indicating enhanced clinical reliability and reduced hallucination. Our code and dataset are available on GitHub.
• Abstract（参考訳）: 3次元PET/CT画像の自動医療レポート生成は、ボリュームデータの高次元的性質と、特に低リソース言語における注釈付きデータセットの致命的不足により、基本的には困難である。 現在のブラックボックス法では、全ボリュームをレポートにマッピングし、ローカライズされた関心領域(RoIs)を分析して診断結論を導出する臨床ワークフローを無視している。 本稿では,600個のPET/CTサンプルと1,960個の手動注釈付きRoIからなる低リソース言語用3D PET/CTデータセットであるVietPET-RoIを,対応する臨床報告と組み合わせて導入することにより,このギャップを埋める。 さらに,このデータセットの有用性を実証するために,グラフベースのリレーショナルモジュールを用いてRoI属性間の依存関係をキャプチャすることで,専門的な放射線学診断ワークフローを模倣する新しいフレームワークであるHiRRAを提案する。 このアプローチは,グローバルなパターンマッチングから局所的な臨床所見へと移行する。 また,新たな臨床評価指標である RoI Coverage と RoI Quality Index を導入し,ロI の局所化精度と属性記述の忠実度をLCM を用いた抽出により測定した。 総括評価の結果,既存のモデルでは19.7%,ROUGE-Lでは4.7%,臨床指標では45.8%,臨床信頼性は45.8%向上し,幻覚の低下がみられた。 コードとデータセットはGitHubで入手可能です。

関連論文リスト

• A Semi-Automated Annotation Workflow for Paediatric Histopathology Reports Using Small Language Models [0.0]
  本研究では,小言語モデル(SLM)を用いた資源効率のよい半自動アノテーションワークフローを開発し,構造化EPRデータから構造化情報を抽出する。 概念実証として、本ワークフローを小児腎生検報告、その制約された診断範囲と明確に定義された基礎生物学に応用した領域に適用する。 SLMを用いた自動情報抽出手法を開発しながら,本ワークフローを3つの会議の臨床的監視とともに反復的に開発し,グレート・オーモンド・ストリート病院の2,111件のデータセットから400件の報告をゴールドスタンダードとして手動で注釈付けする。
  論文  参考訳（メタデータ） (2026-04-05T16:15:39Z)
• Tracking Cancer Through Text: Longitudinal Extraction From Radiology Reports Using Open-Source Large Language Models [0.6642706656153227]
  完全オープンソースでローカルにデプロイ可能なパイプラインを,放射線学報告からの縦方向情報抽出のために提案する。 対象病変が93.7%,非ターゲット病変が94.9%,新しい病変が94.0%であった。
  論文  参考訳（メタデータ） (2026-03-10T13:13:43Z)
• Rethinking the Efficiency and Effectiveness of Reinforcement Learning for Radiology Report Generation [43.67582796047454]
  本稿では,データ量と品質が医学的文脈における強化学習(RL)のパフォーマンスに与える影響について論じる。 そこで本研究では,より少ないサンプルで同等の性能を実現する診断的多様性に基づくデータサンプリング戦略を提案する。 本稿では,診断のためのF1スコアを報奨信号として利用することにより,臨床の精度を直接最適化する診断トークン重み付けポリシー最適化(DiTPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-04T12:57:05Z)
• Closing the Performance Gap Between AI and Radiologists in Chest X-Ray Reporting [40.40577855417923]
  胸部X線レポート生成のための臨床評価型マルチモーダルAIモデルMAIRA-Xを紹介する。 タイプや縦方向の変化,配置などの属性を報告する上での精度を評価するために,新しいL&T特化メトリクスフレームワークを開発した。 以上の結果から,MAIRA-Xは放射線科医,特に高用量臨床現場で効果的に治療できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-11-21T10:53:26Z)
• Taylor-Series Expanded Kolmogorov-Arnold Network for Medical Imaging Classification [0.0]
  本研究は,限られた多様なデータセットを用いた正確な医用画像分類のためのKAN(Kolmogorov-Arnold Networks)を紹介する。 モデルはSBTAYLOR-KAN、B-splinesとTaylorシリーズの統合、SBRBF-KAN、Morletウェーブレット変換にB-splinesを埋め込むSBWAVELET-KANである。 脳MRI,胸部X線,結核X線,皮膚病変画像を前処理なしで評価した。
  論文  参考訳（メタデータ） (2025-09-17T04:33:54Z)
• S-RRG-Bench: Structured Radiology Report Generation with Fine-Grained Evaluation Framework [39.542375803362965]
  胸部X線などの診断画像のための放射線診断レポート生成(RRG)は、臨床とAIの両方において重要な役割を担っている。 従来のフリーテキストレポートは冗長性と一貫性のない言語に悩まされ、臨床的に重要な詳細の抽出が複雑になる。 本稿では、データセット構築、モデルトレーニング、新しい評価フレームワークの導入を含む、S-RRGに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-08-04T05:49:41Z)
• LLM-RadJudge: Achieving Radiologist-Level Evaluation for X-Ray Report Generation [37.20505633019773]
  生成された放射線学レポートを評価することは、放射線学AIの開発に不可欠である。 本研究では,大規模言語モデル (LLM) を用いた新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2024-04-01T09:02:12Z)
• Medical Report Generation based on Segment-Enhanced Contrastive Representation Learning [39.17345313432545]
  臓器, 異常, 骨等を分類するためのMSCL(医学画像とコントラスト学習)を提案する。 トレーニング中にターゲットとセマンティックに類似したレポートにより多くの重みを割り当てる教師付きコントラスト損失を導入する。 実験の結果,提案手法の有効性が示され,IU X線公開データセット上での最先端性能が得られた。
  論文  参考訳（メタデータ） (2023-12-26T03:33:48Z)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)

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。