Fugu-MT 論文翻訳(概要): Cross-Modal Clinical Knowledge Integration for Mammography Report Generation

論文の概要: Cross-Modal Clinical Knowledge Integration for Mammography Report Generation

arxiv url: http://arxiv.org/abs/2605.31093v1
Date: Fri, 29 May 2026 10:04:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.525465
Title: Cross-Modal Clinical Knowledge Integration for Mammography Report Generation
Title（参考訳）: マンモグラフィーレポート作成のためのクロスモーダルな臨床知識統合
Abstract要約: MammoRGはマンモグラフィーレポート生成フレームワークであり、臨床報告ワークフローを明示的にシミュレートする。 MammoRGは、患者の4ビューマンモグラムから臨床的に関連する事前知識を統合することを学ぶ。 MammoRGToolは、フリーテキストレポートから構造化された臨床情報を抽出する専用のマンモグラフィーレポート解析ツールである。
参考スコア（独自算出の注目度）: 29.353551254724422
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Breast cancer is a major global health concern, and mammography screening plays a central role in early detection. The large volume of screening examinations creates a substantial workload for radiologists, making accurate and consistent report generation a critical clinical challenge. Existing automated mammography report generation methods primarily focus on direct visual-to-text mapping, while overlooking the structured clinical reasoning process followed by radiologists in real-world practice. To address this limitation, we propose MammoRG, a mammography report generation framework that explicitly simulates the clinical reporting workflow by following the BI-RADS guideline and incorporating prior clinical knowledge to produce diagnostic reports. Specifically, MammoRG adopts a two-stage training framework. In the first stage, the model learns to integrate clinically relevant prior knowledge from a patient's four-view mammograms through classification-based supervision. In the second stage, a terminology-aware supervised fine-tuning strategy is introduced to model mammography-specific clinical terms as atomic semantic units, enabling the generation of high-quality reports with improved clinical consistency. To facilitate clinical efficacy evaluation of generated reports, we further develop MammoRGTool, a dedicated mammography report parsing tool that extracts structured clinical information from free-text reports. Extensive experiments demonstrate that MammoRG consistently outperforms existing methods across multiple clinical efficacy metrics, particularly in diagnosis-related BI-RADS F1, where it surpasses the second-best model by 2.73%, 2.04%, 1.90%, and 3.27% on the internal, external 1, external 2, and VinDr-Mammo datasets, respectively.
Abstract（参考訳）: 乳がんは世界的な健康上の問題であり、マンモグラフィ検診は早期発見において中心的な役割を果たす。大量のスクリーニング検査は、放射線医にとってかなりの作業量を生み出し、正確で一貫した報告が重要な臨床課題を生み出す。既存のマンモグラフィー自動レポート生成手法は主に直接的視覚とテキストのマッピングに焦点をあてる一方で、構造化された臨床推論プロセスを見越して、現実の実践において放射線技師が続く。この制限に対処するため,マンモグラフィーレポート生成フレームワークであるMammoRGを提案する。具体的には、MammoRGは2段階のトレーニングフレームワークを採用している。最初の段階では、分類に基づく監督を通じて、患者の4ビューマンモグラムから臨床的に関係のある事前知識を統合することを学ぶ。第2段階では、マンモグラフィー固有の臨床用語をアトミックセマンティック単位としてモデル化し、臨床整合性を改善した高品質なレポート作成を可能にする用語を意識した微調整戦略を導入する。さらに, マンモグラフィレポート解析ツールであるMammoRGToolを開発した。特に診断関連BI-RADS F1では、内部1つ、外部2つ、VinDr-Mammoデータセットの2.73%、2.04%、1.90%、および3.27%を上回っている。

関連論文リスト

NeoRed: A Knowledge-Logic-Alignment Multimodal Large Language Model for Neonatal Respiratory Disease Diagnosis [51.033331232872094]
新生児呼吸器疾患は、新生児の死亡と死亡の主な原因である。既存のMLLM(Multimodal Large Language Models)は、新生児診断において2つの重要な限界に直面している。我々は,新生児呼吸器疾患に適応した最初のMLLMであるNeoRedを提案する。
論文参考訳（メタデータ） (2026-09-03T08:24:38Z)
Breast Cancer VLMs: Clinically Practical Vision-Language Train-Inference Models [2.7165660672916787]
本研究では,2次元マンモグラムの視覚的特徴と,容易にアクセス可能な臨床メタデータから得られる構造化テキスト記述子を組み合わせた新しい枠組みを提案する。本研究では,畳み込みニューラルネットワーク(ConvNet)と言語表現との戦略的統合が,視覚トランスフォーマーモデルよりも優れた性能を実現することを示す。
論文参考訳（メタデータ） (2025-10-29T00:37:18Z)
AMRG: Extend Vision Language Models for Automatic Mammography Report Generation [4.366802575084445]
マンモグラフィーレポート生成は、医療AIにおいて重要で未発見の課題である。マンモグラフィーレポートを生成するための最初のエンドツーエンドフレームワークであるAMRGを紹介する。 DMIDを用いた高分解能マンモグラフィーと診断レポートの公開データセットであるAMRGのトレーニングと評価を行った。
論文参考訳（メタデータ） (2025-08-12T06:37:41Z)
PriorRG: Prior-Guided Contrastive Pre-training and Coarse-to-Fine Decoding for Chest X-ray Report Generation [12.860257420677122]
PriorRGは胸部X線レポート生成フレームワークで、2段階のトレーニングパイプラインを通じて実際の臨床をエミュレートする。ステージ1では,臨床文脈の時間的特徴抽出を利用した事前指導型コントラスト事前訓練方式を導入する。ステージ2では、視覚エンコーダの隠蔽状態との事前知識を高めるために、事前認識された粗時間デコーディングを統合する。
論文参考訳（メタデータ） (2025-08-07T13:02:20Z)
CLARIFID: Improving Radiology Report Generation by Reinforcing Clinically Accurate Impressions and Enforcing Detailed Findings [1.515687944002438]
専門家の2段階のワークフローを反映して診断精度を直接最適化する新しいフレームワークであるCLARIFIDを提案する。 CLARIFIDは、セクション認識事前学習を通じて、FundingsからImpressionへの論理フローを学習する。本手法は,NLGの基準値と臨床意識スコアの両方において,優れた臨床効果を達成し,既存の基準値よりも優れていることを示す。
論文参考訳（メタデータ） (2025-07-23T05:57:59Z)
A Clinically-Grounded Two-Stage Framework for Renal CT Report Generation [4.408787333571913]
本稿では,自動腎CTレポート作成のための枠組みを提案する。ステージ1では、マルチタスク学習モデルが、各2次元画像から構造化された臨床特徴を検出する。ステージ2では、視覚言語モデルが画像と検出された特徴に条件付けされた自由テキストレポートを生成する。
論文参考訳（メタデータ） (2025-06-30T07:45:02Z)
ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文参考訳（メタデータ） (2023-10-08T17:23:17Z)
Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文参考訳（メタデータ） (2022-09-28T10:27:10Z)
Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文参考訳（メタデータ） (2022-06-04T13:16:30Z)
Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文参考訳（メタデータ） (2022-03-12T15:24:03Z)
BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文参考訳（メタデータ） (2021-10-05T19:14:46Z)

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。