論文の概要: SynerMedGen: Synergizing Medical Multimodal Understanding with Generation via Task Alignment
- arxiv url: http://arxiv.org/abs/2605.08724v1
- Date: Sat, 09 May 2026 06:13:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.837667
- Title: SynerMedGen: Synergizing Medical Multimodal Understanding with Generation via Task Alignment
- Title（参考訳）: SynerMedGen: タスクアライメントによる生成による医療マルチモーダル理解の同期
- Abstract要約: マルチモーダルな理解と生成は 医療分野における魅力的なフロンティアです
既存の統合医療モデルは、理解と生成を相容れない目的として扱い、意味のある機能的シナジーを欠いている。
SynerMedGenは、ジェネレーション・アライン・アライン・アライメントの原理に基づいて構築された統一されたフレームワークである。
- 参考スコア（独自算出の注目度）: 7.802621320961738
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unifying multimodal understanding and generation is a compelling frontier that is beginning to emerge in the medical field. However, the limited existing unified medical models typically treat understanding and generation as disjoint objectives, lacking a meaningful functional synergy. In this work, we identify and address a critical question in unified medical modeling: what form of understanding truly benefits generation. We present SynerMedGen, a unified framework built on the proposed principle of generation-aligned understanding, which synergizes understanding objectives with generation tasks via task alignment. SynerMedGen introduces three generation-aligned understanding tasks and a two-stage training strategy that transfers generation-beneficial representations learned during understanding training to medical image synthesis. Remarkably, even with understanding training alone, our SynerMedGen achieves strong zero-shot performance across 22 medical image synthesis tasks and demonstrates robust generalization to unseen datasets. When combined with generation training, SynerMedGen consistently outperforms state-of-the-art specialized medical image synthesis models as well as recent unified medical models. We also release a large-scale dataset named SynerMed consisting of 1M paired synthesis samples and 2M generation-derived understanding instances to support further research on understanding-generation synergy. Our project can be accessed at https://github.com/Mhilab/SynerMedGen.
- Abstract（参考訳）: マルチモーダルな理解と生成を統一することは、医療分野に現れ始めている魅力的なフロンティアである。
しかし、既存の統一医療モデルは一般的に理解と生成を相容れない目的として扱い、意味のある機能的シナジーを欠いている。
本研究は,統合医療モデリングにおける重要な問題,すなわち,どのような形態の理解が真に生成に利益をもたらすかを特定し,対処するものである。
本稿では,タスクアライメントを通じて生成タスクと理解目標を相乗化する,ジェネレーションアライメント・アライメント・理解の原則に基づく統合フレームワークであるSynerMedGenを提案する。
SynerMedGenは、3つの世代整合理解タスクと、2段階のトレーニング戦略を導入している。
注目すべきなのは、トレーニングの理解だけでも、SynerMedGenは22の医用画像合成タスクで強力なゼロショットパフォーマンスを実現し、目に見えないデータセットへの堅牢な一般化を実証しています。
SynerMedGenは、世代訓練と組み合わせることで、最先端の専門的な医用画像合成モデルと最近の統一医療モデルより一貫して優れています。
また、1Mペア合成サンプルと2Mジェネレーション由来の理解インスタンスからなる大規模データセットSynerMedをリリースし、理解世代相乗効果のさらなる研究を支援する。
私たちのプロジェクトはhttps://github.com/Mhilab/SynerMedGenでアクセスできます。
関連論文リスト
- UniMedVL: Unifying Medical Multimodal Understanding And Generation Through Observation-Knowledge-Analysis [41.864457631668806]
画像理解と生成タスクの同時解析のための医用統合マルチモーダルモデルUniMedVLを紹介する。
UniMedVLは5つの医用画像理解ベンチマークにおいて優れた性能を示し、8つの医用画像モダリティにまたがる生成品質のモデルに適合する。
論文 参考訳（メタデータ） (2025-10-17T14:54:58Z) - MedResearcher-R1: Expert-Level Medical Deep Researcher via A Knowledge-Informed Trajectory Synthesis Framework [24.399778346443757]
汎用的なディープリサーチエージェントは、主要なプロプライエタリなシステムによって証明されているように、医療領域の課題に苦しむ。
2つのコアイノベーションを通じてこれらの課題に対処する医療深層研究エージェントを提示する。
本手法は12の専門分野にまたがる2100以上の多様な軌道を生成し,それぞれが平均4.2のツールインタラクションを発生させる。
論文 参考訳（メタデータ） (2025-08-20T17:51:20Z) - Content Generation Models in Computational Pathology: A Comprehensive Survey on Methods, Applications, and Challenges [55.41538606569424]
レビューでは、画像生成、テキスト生成、分子プロファイル形態学生成などの4つの重要な領域に焦点を当てている。
我々は、コンテンツ生成アーキテクチャーの進化を、初期の生成的敵ネットワークから、拡散モデルや生成的視覚言語モデルにおける最近の進歩まで遡る。
レビューはオープン課題と今後の研究方向性について議論し、統合的かつ臨床的に展開可能な世代システムの開発に重点を置いて締めくくっている。
論文 参考訳（メタデータ） (2025-05-16T08:44:50Z) - MedSegFactory: Text-Guided Generation of Medical Image-Mask Pairs [29.350200296504696]
MedSegFactoryは、モダリティとタスクをまたいだペア化された医療画像とセグメンテーションマスクを生成する汎用的なフレームワークである。
既存のセグメンテーションツールを強化するためにイメージマスクペアを提供する、無制限のデータリポジトリとして機能することを目指している。
論文 参考訳（メタデータ） (2025-04-09T13:56:05Z) - HealthGPT: A Medical Large Vision-Language Model for Unifying Comprehension and Generation via Heterogeneous Knowledge Adaptation [68.4316501012718]
HealthGPTは医療用大規模視線モデル(Med-LVLM)である
医療的な視覚的理解と生成能力を統合された自己回帰パラダイムに統合する。
論文 参考訳（メタデータ） (2025-02-14T00:42:36Z) - MedM2G: Unifying Medical Multi-Modal Generation via Cross-Guided
Diffusion with Visual Invariant [15.30998544228763]
MedM2Gは、テキスト・ツー・イメージ、画像・トゥ・テキスト、医用モダリティの統一的な生成タスクを統一する医療生成モデルである。
10のデータセットにまたがって5つの医療生成タスクを実行する。
論文 参考訳（メタデータ） (2024-03-07T07:39:00Z) - BiomedJourney: Counterfactual Biomedical Image Generation by
Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。
我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。
得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
論文 参考訳（メタデータ） (2023-10-16T18:59:31Z) - Customizing General-Purpose Foundation Models for Medical Report
Generation [64.31265734687182]
ラベル付き医用画像-レポートペアの不足は、ディープニューラルネットワークや大規模ニューラルネットワークの開発において大きな課題となっている。
本稿では,コンピュータビジョンと自然言語処理の基盤モデル (FM) として,市販の汎用大規模事前学習モデルのカスタマイズを提案する。
論文 参考訳（メタデータ） (2023-06-09T03:02:36Z) - Training Like a Medical Resident: Context-Prior Learning Toward Universal Medical Image Segmentation [38.61227663176952]
医用画像理解基盤モデルの構築を目的としたパラダイムであるユニバーサル・メディカルイメージ・セグメンテーションへのシフトを提案する。
医用画像セグメンテーションにおけるデータの異質性やアノテーションの違いに対処する新しい文脈優先学習手法であるHermesを開発した。
論文 参考訳（メタデータ） (2023-06-04T17:39:08Z) - Towards Medical Artificial General Intelligence via Knowledge-Enhanced
Multimodal Pretraining [121.89793208683625]
医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。
我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-04-26T01:26:19Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z)
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。