論文の概要: Rad-VLSM: A Cross-Modal Framework with Semantics-Assisted Prompting for Medical Segmentation and Diagnosis

• arxiv url: http://arxiv.org/abs/2605.18130v1
• Date: Mon, 18 May 2026 09:35:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.228686
• Title: Rad-VLSM: A Cross-Modal Framework with Semantics-Assisted Prompting for Medical Segmentation and Diagnosis
• Title（参考訳）: Rad-VLSM:医療セグメント化と診断のためのセマンティックス支援プロンプトを用いたクロスモーダルフレームワーク
• Authors: Fengyi Zhang, Xujie Zeng, Mohan Liu, Zengyi Wang, Yalong Jiang,
• Abstract要約: Rad-VLSMはセマンティクス支援病変焦点と堅牢なセグメンテーションのための2段階のクロスモーダルフレームワークである。 Rad-VLSMは、直接予測ではなく、意味情報を用いて、テキストから診断への依存を減らし、病変レベルの証拠を診断する。
• 参考スコア（独自算出の注目度）: 8.57681725607293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation is more clinically valuable when it supports diagnosis rather than merely producing lesion masks. However, diagnostically relevant lesion cues are often subtle and localized, while existing models may be distracted by background tissues, acoustic artifacts, and irrelevant visual correlations. To address this problem, we propose Rad-VLSM, a two-stage cross-modal framework for semantics-assisted lesion focusing, robust segmentation, and visually grounded diagnosis. In the first stage, a BLIP-2-based vision-language alignment module identifies lesion-related candidate regions under semantic guidance and converts them into box prompts. In the second stage, these prompts are fed into a SAM-based multitask network, where a multi-candidate region aggregation strategy improves prompt stability and guides lesion segmentation. The predicted masks are then used as spatial priors for diagnosis, and a visual-radiomics fusion head integrates lesion-aware visual features with selected radiomics descriptors. By using semantic information for localization rather than direct prediction, Rad-VLSM reduces text-to-diagnosis dependence and grounds diagnosis in lesion-level evidence. Experiments on a private clinical breast ultrasound dataset and public benchmarks show that Rad-VLSM achieves strong segmentation and diagnostic performance with favorable generalization.
• Abstract（参考訳）: 医療画像のセグメンテーションは、単に病変マスクを生成するのではなく、診断をサポートする場合により臨床的に有用である。 しかし、診断に関連のある病変の手がかりはしばしば微妙で局所化され、既存のモデルは背景組織、音響的アーティファクト、無関係な視覚的相関によって妨げられることがある。 この問題を解決するために,意味論支援病変焦点,頑健なセグメンテーション,視覚的基盤診断のための2段階のクロスモーダルフレームワークであるRad-VLSMを提案する。 第1段階では、BLIP-2ベースの視覚言語アライメントモジュールが意味誘導の下で病変関連候補領域を特定し、それらをボックスプロンプトに変換する。 第2段階では、これらのプロンプトはSAMベースのマルチタスクネットワークに供給され、マルチ候補領域集約戦略はプロンプト安定性を改善し、病変のセグメンテーションを誘導する。 予測されたマスクは、診断のための空間的先行として使用され、視覚・放射線融合ヘッドは、病変を認識した視覚的特徴を選択された放射線ディスクリプタと統合する。 Rad-VLSMは、直接予測ではなく、意味情報を用いて、テキストから診断への依存を減らし、病変レベルの証拠を診断する。 Rad-VLSMは高いセグメンテーションと診断性能を達成し,良好な一般化を実現している。

関連論文リスト

• Divide-then-Diagnose: Weaving Clinician-Inspired Contexts for Ultra-Long Capsule Endoscopy Videos [83.01543151239254]
  我々は、診断駆動型CEビデオ要約という新しいタスクを定義する。 VideoCAPは、診断駆動アノテーションを備えた最初のCEデータセットである。 DiCEはクリニックにインスパイアされたフレームワークで、標準的なCE読み込みワークフローを反映している。
  論文  参考訳（メタデータ） (2026-04-23T16:07:51Z)
• An Explainable Vision-Language Model Framework with Adaptive PID-Tversky Loss for Lumbar Spinal Stenosis Diagnosis [1.2871968485402088]
  既存の視覚言語モデルは、臨床セグメント化データセットでよく見られる極端なクラス不均衡に対処できない。 本稿では、これらの制限を克服するために、エンドツーエンドの説明可能な視覚言語モデルフレームワークを提案する。 診断精度は90.69%,マクロ平均Diceスコアは0.9512,CIDErスコアは92.80%であった。
  論文  参考訳（メタデータ） (2026-04-02T20:18:35Z)
• Spatial-aware Symmetric Alignment for Text-guided Medical Image Segmentation [7.514759533994352]
  テキスト誘導医療画像は、医用画像のセグメンテーションをかなり約束している。 本研究では,ハイブリッド医療用テキストを参照する能力を高めるため,空間認識型対称アライメント(SSA)フレームワークを提案する。 SSAは、特に空間的制約によって特徴づけられる病変を正確に分断する際に、最先端のSOTA(State-of-the-art)性能を達成する。
  論文  参考訳（メタデータ） (2025-12-28T16:02:42Z)
• Sim4Seg: Boosting Multimodal Multi-disease Medical Diagnosis Segmentation with Region-Aware Vision-Language Similarity Masks [54.00822479127598]
  医療診断(MDS)という医用視覚言語タスクについて紹介する。 MDSは、医療画像に対する臨床クエリを理解し、対応するセグメンテーションマスクと診断結果を生成することを目的としている。 診断セグメンテーションの性能を向上させる新しいフレームワークであるSim4Segを提案する。
  論文  参考訳（メタデータ） (2025-11-10T03:22:42Z)
• 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)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• PRS-Med: Position Reasoning Segmentation with Vision-Language Model in Medical Imaging [6.411386758550256]
  PRS-Medは、視覚言語モデルとセグメンテーション機能を統合し、正確なセグメンテーションマスクとそれに対応する空間推論出力の両方を生成するフレームワークである。 MMRSデータセットは、医療画像における位置推論データの欠如に対処するために、多様な空間的な質問応答ペアを提供する。
  論文  参考訳（メタデータ） (2025-05-17T06:42:28Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• SeATrans: Learning Segmentation-Assisted diagnosis model via Transforme [13.63128987400635]
  本稿では,視覚支援型診断変換器(SeATrans)を提案する。 まず、各低レベル診断特徴とマルチスケールセグメンテーション特徴とを相関させる非対称なマルチスケールインタラクション戦略を提案する。 セグメンテーション-診断相互作用をモデル化するために、SeAブロックはまず、エンコーダを介してセグメンテーション情報に基づいて診断特徴を埋め込み、デコーダによりその埋め込みを診断特徴空間に戻す。
  論文  参考訳（メタデータ） (2022-06-12T15:10:33Z)

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。