論文の概要: Scaling Generative Foundation Models for Chest Radiography with Rectified Flow Transformers

• arxiv url: http://arxiv.org/abs/2606.19460v1
• Date: Wed, 17 Jun 2026 18:01:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.466951
• Title: Scaling Generative Foundation Models for Chest Radiography with Rectified Flow Transformers
• Title（参考訳）: 直流変圧器を用いた胸部X線撮影のための生成基礎モデルのスケーリング
• Authors: Fabio De Sousa Ribeiro, Emma A. M. Stanley, Charles Jones, Tian Xia, Dominic C. Marshall, Laurent Renard Triché, Christopher V. Cosgriff, Panagiotis Dimitrakopoulos, Sotirios A. Tsaftaris, Ben Glocker,
• Abstract要約: 胸部X線画像の高忠実合成は, 臨床データセットの多様化に向けて有望な方法である。 本稿では, 胸部X線写真における最大の生成基盤モデルとして, 1.3B 以上のパラメータを用いて, キュレートした不均一なデータセット上で1.6T トークンをトレーニングした。 本モデルでは,複数のグループにまたがる可制御性ラジオグラフィ生成と編集,取得ビュー,12の病理診断をサポートする。
• 参考スコア（独自算出の注目度）: 17.58664012517527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the first generative foundation model for chest radiograph synthesis trained from scratch at the billion-parameter scale. Existing radiographic AI models often suffer from poor generalisation across patient subpopulations, institutions, and acquisition settings, resulting in limited real-world clinical utility. Controlled, high-fidelity synthesis of chest radiographs is a promising path toward diversifying clinical datasets and evaluating the robustness of diagnostic models. Therefore, we present the largest specialist generative foundation model for chest radiographs to date, with over 1.3B parameters, trained for 1.6T tokens on a curated, heterogeneous dataset comprising 1.2M radiographs and clinical expert-guided metadata. Our model supports controllable radiograph generation and editing across multiple demographic subgroups, acquisition views, and a dozen pathologies. Moreover, we significantly advance the state of the art in radiograph synthesis fidelity, producing images that are indistinguishable from real radiographs to clinical experts.
• Abstract（参考訳）: 胸部X線写真合成のための第1世代基礎モデルについて検討した。 既存のX線画像AIモデルは、患者のサブポピュレーション、制度、取得設定をまたいだ一般化に苦しむことが多く、現実の臨床的有用性は限られている。 胸部X線画像の高忠実合成は, 臨床データセットの多様化と診断モデルの堅牢性を評価するための有望な方法である。 そこで本研究では, 胸部X線写真における最大生成基盤モデルとして, 1.3B 以上のパラメータを有し, 1.2M のX線写真と臨床専門家が指導したメタデータをキュレートした異種データセット上で1.6T トークンをトレーニングした。 本モデルでは,複数のグループにまたがる可制御性ラジオグラフィ生成と編集,取得ビュー,12の病理診断をサポートする。 さらに, 実際の放射線写真と鑑別不能な画像から臨床専門家まで, 放射線画像合成の精度を著しく向上させる。

関連論文リスト

• DiffusionXRay: A Diffusion and GAN-Based Approach for Enhancing Digitally Reconstructed Chest Radiographs [0.13048920509133807]
  胸部X線画像の新しい画像復元パイプラインであるDiffusionXRayを紹介する。 X線画像復元のニュアンスを学習し,低画質と高画質の画像に対してDDPMベースのモデルを訓練する。 本手法は,胸部X線像の明瞭度,コントラスト,診断の総合的価値を高めるための有望な結果を示す。
  論文  参考訳（メタデータ） (2026-03-02T10:14:50Z)
• Curia: A Multi-Modal Foundation Model for Radiology [3.5025024631649857]
  本研究は,大病院の横断画像出力全体に基づいて訓練された基礎モデルであるCuriaを紹介する。 Curiaは臓器を正確に識別し、脳出血や心筋梗塞などの病態を検出し、腫瘍のステージングの結果を予測する。
  論文  参考訳（メタデータ） (2025-09-08T16:04:12Z)
• A Generative Foundation Model for Chest Radiography [43.32039823252467]
  ChexGenは、胸部ラジオグラフのテキスト、マスク、バウンディングボックス誘導合成のための統一的なフレームワークを導入した、生成的視覚言語基盤モデルである。 ChexGenは、これまでで最大の胸部X線データセットで事前訓練された。
  論文  参考訳（メタデータ） (2025-09-04T05:53:58Z)
• 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)
• CT Reconstruction from Few Planar X-rays with Application towards Low-resource Radiotherapy [20.353246282326943]
  先行データ分布を用いた5次元平面X線観測からCTボリュームを生成する手法を提案する。 臨床に関連のある特徴に焦点をあてるために,本モデルは訓練中に解剖学的指導を活用できる。 本手法は, 標準画素, 構造レベルの基準値から, 近年のスパースCT再建基準値よりも優れている。
  論文  参考訳（メタデータ） (2023-08-04T01:17:57Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• 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)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Computer-aided abnormality detection in chest radiographs in a clinical setting via domain-adaptation [0.23624125155742057]
  深層学習(DL)モデルは、放射線医が胸部X線写真から肺疾患の診断を助けるために医療センターに配備されている。 これらの訓練済みDLモデルが臨床現場で一般化する能力は、公開と非公開のラジオグラフィー間のデータ分布の変化のため、貧弱である。 本研究では,ドメインシフト検出と除去手法を導入し,この問題を克服する。
  論文  参考訳（メタデータ） (2020-12-19T01:01:48Z)

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。