論文の概要: Lost in Volume: The CT-SpatialVQA Benchmark for Evaluating Semantic-Spatial Understanding of 3D Medical Vision-Language Models
- arxiv url: http://arxiv.org/abs/2605.08787v1
- Date: Sat, 09 May 2026 08:16:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.888633
- Title: Lost in Volume: The CT-SpatialVQA Benchmark for Evaluating Semantic-Spatial Understanding of 3D Medical Vision-Language Models
- Title（参考訳）: CT-SpatialVQA ベンチマークによる3次元医用視覚・言語モデルの意味的・空間的理解
- Abstract要約: 近年の3次元医用視覚言語モデルの進歩により、ボリューム画像やテキストに対する共同推論が可能になった。
これらのモデルが3次元ボリュームから空間的基底解剖学を学習したのか、あるいは主に学習前と言語相関に頼っているのかは、まだ不明である。
我々は3次元CTデータにおける意味空間的推論を評価するためのベンチマークであるCT-SpatialVQAを紹介する。
- 参考スコア（独自算出の注目度）: 3.6659638651482536
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in 3D medical vision-language models have enabled joint reasoning over volumetric images and text, showing strong performance in medical visual question-answering (VQA) and report generation. Despite this progress, it remains unclear whether these models learn spatially grounded anatomy from 3D volumes or rely primarily on learned priors and language correlations. This uncertainty stems from the lack of systematic evaluation of semantic-spatial reasoning in volumetric medical VLMs for clinically reliable decision support. To address this gap, we introduce CT-SpatialVQA, a benchmark designed to evaluate semantic-spatial reasoning in 3D CT data. The benchmark comprises 9077 clinically grounded question-answer (QA) pairs derived directly from 1601 radiology reports and CT volumes, which are validated via a robust LLM-assisted pipeline with a 95% human consensus agreement rate. Our dataset requires explicit anatomical localization, laterality awareness, structural comparison, and 3D inter-structure relational reasoning. We also introduce a standardized evaluation protocol and benchmark eight 3D medical VLMs, finding severe degradation on semantic-spatial reasoning tasks, averaging 34% accuracy and often below random, highlighting the need for deeper integration of volumetric evidence for trustworthy clinical use.
- Abstract（参考訳）: 近年の3次元医用視覚言語モデルの進歩により、ボリューム画像やテキストに対する共同推論が可能となり、医用視覚質問応答(VQA)やレポート生成において高いパフォーマンスを示した。
この進歩にもかかわらず、これらのモデルが3次元ボリュームから空間的に基底化された解剖学を学ぶのか、主に学習された先行と言語相関に頼っているのかは定かではない。
この不確実性は、臨床的に信頼性の高い意思決定支援のためのボリューム医療用VLMにおける意味空間推論の体系的評価の欠如に起因している。
このギャップに対処するために,CT-SpatialVQA(CT-SpatialVQA)を導入する。
このベンチマークは、1601の放射線学報告とCTボリュームから直接導かれる9077の臨床的根拠付き質問応答(QA)ペアと、95%のヒトのコンセンサス合意率を持つロバストLLM補助パイプラインを介して検証されるCTボリュームからなる。
本データセットは, 解剖学的局所性, 側方性意識, 構造的比較, 構造間関係推論を必要とする。
また,標準化された評価プロトコルと8つの医用VLMのベンチマークを導入し,意味空間的推論タスクの大幅な劣化,平均34%の精度,そしてしばしばランダムよりも低い精度で,信頼性の高い臨床使用のためのボリュームエビデンスをより深く統合する必要性を強調した。
関連論文リスト
- A Modular Agent for Reliable and Auditable Spatial Relation Verification in CT Scans [7.8047270656196766]
現代の視覚言語モデル(VLM)は、多くの医療画像タスクにおいて有望な性能を示す。
軸方向CTスライスにおける2値空間関係検証のためのモジュラー医用イメージングエージェントを提案する。
最高の性能のハイブリッド構成は94.1%の精度と94.2%のF1に達し、直接Qwen2-VLよりも42.5ポイント高い精度である。
論文 参考訳（メタデータ） (2026-08-21T14:16:46Z) - Disease-Centric Vision-Language Pretraining with Hybrid Visual Encoding for 3D Computed Tomography [75.7789001619107]
ビジョン言語による事前トレーニングは、汎用医療AIにとって大きな可能性を秘めている。
3つの主要なコンポーネントを特徴とするフレームワークを提案する。
診断対応プロンプト戦略では、トレーニング前の推論ギャップを埋めるために、実際の臨床用語と集約された疾患プロトタイプを用いている。
論文 参考訳（メタデータ） (2026-06-24T08:24:45Z) - Towards Clinically Interpretable Ophthalmic VQA via Spatially-Grounded Lesion Evidence [51.57735743553791]
今回我々はFundusGroundを紹介した。これは臨床的に解釈可能な眼科用VQAの空間的根拠を用いた新しいベンチマークである。
この構造された病変の証拠に基づいて、72,706の質問が4つのフォーマットにまたがって生成される。
実験により、病変レベルの視覚的エビデンスを組み込むことで、モデルの性能と透明性が一貫して向上することが示された。
論文 参考訳（メタデータ） (2026-05-21T12:37:03Z) - MedScribe: Clinically Grounded CT Reporting through Agentic Workflows [13.40306812882295]
視覚言語モデル(VLM)は、自動放射線診断レポート生成の可能性を示している。
我々は,仮説駆動型フレームワークであるMedScribeを紹介し,レポート生成を反復的証拠取得プロセスとして再構築する。
論文 参考訳（メタデータ） (2026-05-03T08:32:40Z) - EXACT: an explainable anomaly-aware vision foundation model for analysis of 3D chest CT [29.0378459959757]
EXACTは3次元胸部CTの異常認識基盤モデルである。
2つの臨床スキャンと放射線学レポートから空間的に解決された表現を学習する。
EXACTは臨床的に関係のあるCTタスクに対して一貫した改善を示す。
論文 参考訳（メタデータ） (2026-04-27T07:57:47Z) - LoV3D: Grounding Cognitive Prognosis Reasoning in Longitudinal 3D Brain MRI via Regional Volume Assessments [14.481985722970238]
本稿では、縦型T1強調脳MRIを読み取る3次元視覚言語モデルの訓練用パイプラインであるLoV3Dを提案する。
パイプラインは、ラベル一貫性、縦コヒーレンス、生物学的妥当性を強制することで最終的な診断を下す。
被験者レベルのADNIテストセットでは、LoV3Dは3クラスの診断精度が93.7%に達する。
論文 参考訳（メタデータ） (2026-03-12T15:40:59Z) - Interpretable Aneurysm Classification via 3D Concept Bottleneck Models: Integrating Morphological and Hemodynamic Clinical Features [0.6445605125467574]
本稿では,高次元神経画像の特徴を,大動脈瘤の同定のための形態的および血行力学的概念の離散セットにマッピングする,エンドツーエンドの3Dコンセプト・ボトルネックフレームワークを提案する。
本研究では,ResNet-34アーキテクチャでは93.33%+/-4.5%,DenseNet-121モデルでは91.43%+/-8%のピークタスク分類精度を示した。
論文 参考訳（メタデータ） (2026-03-08T01:03:48Z) - OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。
既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。
我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
論文 参考訳（メタデータ） (2026-02-18T00:42:41Z) - Med3D-R1: Incentivizing Clinical Reasoning in 3D Medical Vision-Language Models for Abnormality Diagnosis [20.302134776419955]
我々は,2段階の学習プロセスを持つ強化学習フレームワークを提案する: 教師付きファインチューニング(SFT)と強化学習(RL)。
RLの段階では、整合性報酬を再定義し、整合性、ステップバイステップの診断推論を明示的に促進する。
本モデルではCT-RATEでは41.92%,RAD-ChestCTでは44.99%の精度が得られた。
論文 参考訳（メタデータ） (2026-02-01T12:43:11Z) - S-Chain: Structured Visual Chain-of-Thought For Medicine [81.97605645734741]
S-Chainは,有界ボックスと構造化ビジュアルCoT(SV-CoT)を備えた,12,000のエキスパートアノテートされた医用画像の最初の大規模データセットである。
データセットはさらに16言語をサポートし、幅広い多言語適用性のための合計700万VQAペアをサポートする。
S-Chainは、根拠のある医療推論のための新しいベンチマークを確立し、より信頼性が高く説明可能な医療ビジョン言語モデルへの道を開く。
論文 参考訳（メタデータ） (2025-10-26T15:57:14Z) - RadGenome-Chest CT: A Grounded Vision-Language Dataset for Chest CT Analysis [56.57177181778517]
RadGenome-Chest CTはCT-RATEに基づく大規模3次元胸部CT解釈データセットである。
私たちは、最新の強力なユニバーサルセグメンテーションと大きな言語モデルを活用して、元のデータセットを拡張します。
論文 参考訳（メタデータ） (2024-04-25T17:11:37Z) - CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios [53.94122089629544]
我々は,CT-GLIP(Grounded Language- Image Pretraining with CT scans)を導入する。
本手法は,104臓器にわたる17,702症例を対象に,44,011例の臓器レベルの視覚テキストペアからなるマルチモーダルCTデータセットを用いて訓練し,自然言語を用いて臓器と異常をゼロショットで識別できることを実証した。
論文 参考訳（メタデータ） (2024-04-23T17:59:01Z)
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。