論文の概要: CoRE: Concept-Reasoning Expansion for Continual Brain Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2604.25376v1
- Date: Tue, 28 Apr 2026 08:39:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.780374
- Title: CoRE: Concept-Reasoning Expansion for Continual Brain Lesion Segmentation
- Title（参考訳）: CoRE: 連続脳病変分割のための概念推論拡張
- Authors: Qianqian Chen, Anglin Liu, Jingyang Zhang, Yudong Zhang,
- Abstract要約: 概念推論拡張(Concept-Reasoning Expansion, CoRE)フレームワークは、視覚的特徴と構造的概念を統合することで、共同決定機構を確立する。
CoREは最先端のパフォーマンスを達成し、効率的な将来の適応のための高い知識の出発点を提供する。
- 参考スコア（独自算出の注目度）: 16.903732775774124
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate brain lesion segmentation in MRI is vital for effective clinical diagnosis and treatment planning. Due to high annotation costs and strict data privacy regulations, universal models require employing Continual Learning (CL) to adapt to evolving clinical tasks without losing previously acquired knowledge. However, existing CL paradigms often suffer from capacity limits or redundant parameter growth, and even advanced dynamic methods rely mostly on image-perception strategies that struggle to handle the substantial pathological and multimodal heterogeneity inherent in brain imaging. To address this issue, we propose Concept-Reasoning Expansion (CoRE) framework, which establishes a joint decision-making mechanism by integrating visual features with structured concepts. Through the alignment of image tokens with a hierarchical concept library, CoRE simulates clinical reasoning to guide both interpretable expert routing and demand-based model growth. This collaborative process ensures model evolution is grounded in clinical priors, preventing redundant parameter expansion while maximizing knowledge reuse. Extensive evaluations across 12 sequential brain lesion MRI tasks demonstrate that CoRE achieves state-of-the-art performance and provides a high knowledge starting point for efficient future adaptation. Its superior few-shot transferability and clinical interpretability further validate its effectiveness in managing non-stationary clinical data streams. Our code will be released soon.
- Abstract（参考訳）: MRIにおける正確な脳病変のセグメンテーションは、効果的な臨床診断と治療計画に不可欠である。
アノテーションのコストと厳格なデータプライバシー規制のため、ユニバーサルモデルは、以前取得した知識を失うことなく、臨床タスクに適応するために継続学習(CL)を採用する必要がある。
しかし、既存のCLパラダイムはキャパシティ限界や冗長パラメータ成長に悩まされることが多く、高度な動的手法でさえも、脳画像に固有の実質的な病理的および多モードの異質性を扱うのに苦労するイメージ知覚戦略に大きく依存している。
本稿では,視覚的特徴と構造的概念を統合することで,共同意思決定機構を確立する概念推論拡張(CoRE)フレームワークを提案する。
画像トークンと階層的な概念ライブラリのアライメントを通じて、CoREは、解釈可能な専門家ルーティングと需要ベースのモデル成長の両方を導くための臨床推論をシミュレートする。
この協調的なプロセスは、モデルの進化を臨床の先駆者に保証し、知識の再利用を最大化しながら冗長なパラメータ展開を防ぐ。
12の連続脳病変MRIタスクにわたる広範囲な評価は、CoREが最先端のパフォーマンスを達成し、効率的な将来適応のための高い知識の出発点を提供することを示す。
その優れた少数ショット転送性および臨床解釈性は、非定常的な臨床データストリームの管理におけるその有効性をさらに検証する。
私たちのコードはまもなくリリースされるでしょう。
関連論文リスト
- ClinicalAgents: Multi-Agent Orchestration for Clinical Decision Making with Dual-Memory [17.805771452487612]
専門医の認知ワークフローをシミュレートする新しいマルチエージェントフレームワークであるCrysicalAgentsを紹介する。
厳密なシーケンシャルチェーンとは異なり、CricerAgentsはモンテカルロ木探索(MCTS)プロセスとしてモデル化された動的オーケストレーション機構を採用している。
これにより、Orchestratorは仮説を反復的に生成し、証拠を積極的に検証し、重要な情報が欠落した時にバックトラッキングをトリガーすることができる。
論文 参考訳（メタデータ） (2026-03-27T08:52:19Z) - Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。
消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。
本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-21T07:47:37Z) - 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) - DCL-SE: Dynamic Curriculum Learning for Spatiotemporal Encoding of Brain Imaging [9.252889721110503]
時間近似(DaSE)のための動的カリキュラム学習を導入する
ランクプール符号化を利用して、3次元の脳データを情報に富んだ2次元の動的表現に符号化する。
我々は、動的グループによって指導されたカリキュラム学習戦略を用いてデコーダを訓練する。
DaSEは、精度、予測、解釈可能性において既存の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-11-19T06:10:31Z) - CCSD: Cross-Modal Compositional Self-Distillation for Robust Brain Tumor Segmentation with Missing Modalities [2.157012611810736]
入力モードの任意の組み合わせを柔軟に扱える新しいクロスモーダル構成自己蒸留(CCSD)フレームワークを提案する。
CCSDは、様々な欠落したモダリティシナリオにまたがって最先端のパフォーマンスを実現し、強力な一般化と安定性を実現している。
論文 参考訳（メタデータ） (2025-11-18T15:39:53Z) - MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。
まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。
次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
論文 参考訳（メタデータ） (2025-10-24T02:11:05Z) - RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。
RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
論文 参考訳（メタデータ） (2025-09-24T10:36:14Z) - Prompt Mechanisms in Medical Imaging: A Comprehensive Survey [18.072753363565322]
深層学習は医療画像に変革をもたらす。
しかし、その臨床導入は、データの不足、分散シフト、堅牢なタスクの一般化の必要性といった課題によって、しばしば妨げられている。
深層学習モデルを導くための重要な戦略として,プロンプトベースの方法論が登場している。
論文 参考訳（メタデータ） (2025-06-28T03:06:25Z) - Doctor-in-the-Loop: An Explainable, Multi-View Deep Learning Framework for Predicting Pathological Response in Non-Small Cell Lung Cancer [0.6800826356148091]
非小細胞肺癌(NSCLC)はいまだに世界的な健康上の課題である。
専門家主導のドメイン知識と説明可能な人工知能技術を統合する新しいフレームワークであるDoctor-in-the-Loopを提案する。
アプローチでは段階的なマルチビュー戦略を採用し,より広いコンテキスト特徴からより微細で病変特異的な詳細まで,モデルの焦点を段階的に洗練する。
論文 参考訳（メタデータ） (2025-02-21T16:35:30Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z)
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。