論文の概要: MRI2Rep: Autoregressive Structured Report Generation for 3D Liver MRI
- arxiv url: http://arxiv.org/abs/2606.25279v1
- Date: Wed, 24 Jun 2026 01:31:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.184765
- Title: MRI2Rep: Autoregressive Structured Report Generation for 3D Liver MRI
- Title（参考訳）: MRI2Rep:3次元肝MRIのための自己回帰構造レポート生成
- Abstract要約: 肝MRIレポート生成のための自己回帰フレームワークであるMRI2Repを提案する。
レポートからラベルへの正準化(Report-to-Label Canonicalization, RLC)モジュールは、自由テキストレポートを構造化された閉語彙診断シーケンスに変換する。
ホールドアウトテストセットでは、MRI2Repはケースレベルの感度、29.4%の病変レベルF1、82.4%の肝レベルの精度を達成している。
- 参考スコア（独自算出の注目度）: 24.63364280162905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Manual reporting of 3D MRI studies is time-consuming, yet end-to-end structured report generation for 3D liver MRI remains underexplored due to volumetric complexity and scarce paired data. We propose MRI2Rep, an autoregressive framework for liver MRI report generation. From 3,929 real-world MRI-report pairs acquired over a 10-year single-institution cohort, a Report-to-Label Canonicalization (RLC) module converts free-text reports into structured, closed-vocabulary diagnostic sequences without lesion-level annotations. On a held-out test set, MRI2Rep achieves 76.0% case-level sensitivity, 29.4% lesion-level F1, compared with no more than 8.3% for adapted medical vision-language baselines, and 82.4% liver-level accuracy. In a blinded reader study, two radiologists rated 75% and 70% of AI-generated reports as clinically acceptable, compared with 95% and 100% for original reports. Our automated LLM-based judge, LLM-Eval, rated 61.8% of AI-generated reports as acceptable, applying a stricter standard and supporting its use as a conservative proxy. To our knowledge, this is the first end-to-end LI-RADS-structured reporting system for 3D liver MRI.
- Abstract（参考訳）: 3次元MRI研究のマニュアルレポートは、時間を要するが、3次元肝MRIのためのエンドツーエンドの構造化されたレポート生成は、ボリュームの複雑さとペアデータ不足により、未発見のままである。
肝MRIレポート生成のための自己回帰フレームワークであるMRI2Repを提案する。
実世界の3,929組のMRI-Reportペアが10年間のシングルインスティテュートコホートで取得されたことから、Report-to-Label Canonicalization (RLC)モジュールは、自由テキストレポートを、病変レベルのアノテーションなしで構造化されたクローズドボキャブラリ診断シーケンスに変換する。
ホールドアウトテストセットでは、MRI2Repは76.0%のケースレベル感度、29.4%の病変レベルF1を達成し、適応された医療ビジョン言語ベースラインでは8.3%未満、82.4%の肝レベル精度を達成している。
盲目の読者を対象にした研究では、2人の放射線学者が、AIが生成した報告の75%と70%を臨床的に許容できると評価した。
LLMベースの自動判断器であるLLM-Evalは、AI生成レポートの61.8%を許容できると評価し、より厳格な標準を適用し、保守的なプロキシとしての使用をサポートする。
我々の知る限り、3D肝MRIにおけるLI-RADS構造化報告システムとしてはこれが初めてである。
関連論文リスト
- Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。
テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
論文 参考訳（メタデータ） (2026-06-17T08:10:30Z) - 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) - UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。
我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。
我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
論文 参考訳（メタデータ） (2026-03-10T05:45:12Z) - Closing the Performance Gap Between AI and Radiologists in Chest X-Ray Reporting [40.40577855417923]
胸部X線レポート生成のための臨床評価型マルチモーダルAIモデルMAIRA-Xを紹介する。
タイプや縦方向の変化,配置などの属性を報告する上での精度を評価するために,新しいL&T特化メトリクスフレームワークを開発した。
以上の結果から,MAIRA-Xは放射線科医,特に高用量臨床現場で効果的に治療できる可能性が示唆された。
論文 参考訳（メタデータ） (2025-11-21T10:53:26Z) - Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement [34.55493442995441]
パターン認識型2次元モーダル3次元拡散フレームワークであるPSDを提案する。
また, 組織微細化ネットワークと高効率な組織微細化を一体化して, 組織微細化と微細化の維持を図っている。
PSNR/SSIMスコアはfMRI合成では29.83dB/90.84%、dMRI合成では30.00dB/77.55%である。
論文 参考訳（メタデータ） (2025-11-07T03:51:00Z) - Evaluation of Machine Learning Reconstruction Techniques for Accelerated Brain MRI Scans [0.0]
DeepFoqus-Accelerateは、75%のスキャン時間で堅牢な4倍の脳MRI加速を可能にする。
以上の結果から,DeepFoqus-Accelerateは,75%のスキャン時間で頑健な4倍の脳MRI加速を可能にした。
論文 参考訳（メタデータ） (2025-09-08T20:20:24Z) - Tumor Location-weighted MRI-Report Contrastive Learning: A Framework for Improving the Explainability of Pediatric Brain Tumor Diagnosis [0.0]
我々は3次元脳MRIスキャンと放射線検査で多モードCLアーキテクチャーを訓練し、情報的MRI表現を学習する。
次に,学習画像表現を応用して,小児の下等度グリオーマの遺伝マーカー分類の妥当性と性能を向上する。
論文 参考訳（メタデータ） (2024-11-01T14:14:17Z) - AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。
この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。
地盤自動報告生成(AutoRG)に関する一連の研究を開始した。
このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
論文 参考訳（メタデータ） (2024-07-23T17:50:00Z) - Towards a Holistic Framework for Multimodal Large Language Models in Three-dimensional Brain CT Report Generation [42.06416052431378]
2Dラジオグラフィーキャプションは、ボリューム3D解剖学における現実の診断課題を反映するものではない。
我々は18,885組の3D-BrainCTデータセットを収集し,臨床ビジュアルインストラクション・チューニングを用いて,脳波モデルを用いて放射線治療を施した3D脳CTレポートを作成した。
私たちの研究は、3Dの脳CTデータセットのキュレーション、微調整による解剖学的意味のある言語モデル、堅牢な放射線学評価指標の提案など、総合的な枠組みを具現化したものです。
論文 参考訳（メタデータ） (2024-07-02T12:58:35Z) - CLARA: Clinical Report Auto-completion [56.206459591367405]
CLARA(CLinicit Al It Report It Auto-Completion)は、医師のアンカーワードと部分的に完成した文に基づいて、文章でレポートを生成するインタラクティブな方法である。
実験では,X線で0.393 CIDEr,0.248 BLEU-4,脳波で0.482 CIDEr,0.491 BLEU-4を得た。
論文 参考訳（メタデータ） (2020-02-26T18:45:00Z)
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。