論文の概要: Enhancing Brain MRI Anomaly Detection and Reasoning with ROI Rethink and Synthetic Data

• arxiv url: http://arxiv.org/abs/2606.25894v1
• Date: Wed, 24 Jun 2026 14:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.360269
• Title: Enhancing Brain MRI Anomaly Detection and Reasoning with ROI Rethink and Synthetic Data
• Title（参考訳）: ROI再考と合成データによる脳MRI異常検出と推論の促進
• Abstract要約: 脳MRI診断に明示的な領域マーキングを導入したBrReMarkを提案する。 モデルはまず、潜在的な異常についての仮説を生成し、明示的な境界ボックスマーキングを通じてそれらをグラウンド化する。 我々は,ドメインランダム化に基づく病理合成の強化戦略を統合し,OEDデータに対するモデルの一般化性を向上させる。
• 参考スコア（独自算出の注目度）: 9.98520042320808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical vision-language models typically generate diagnoses through single-pass inference without indicating which image regions support their conclusions. This lack of spatial grounding limits clinical utility: outputs cannot be audited, and models may hallucinate findings on normal scans. We present BrReMark (Brain Rethink via ROI Marking), a framework that introduces explicit region marking into brain MRI diagnosis. The model first generates hypotheses about potential abnormalities and grounds them through explicit bounding box marking, then verifies conclusions by re-examining the marked evidence. Training combines supervised fine-tuning on structured reasoning trajectories with reinforcement learning using a composite reward over localization accuracy and diagnostic reasoning. Furthermore, we integrate a domain randomization-based pathology synthesis augmentation strategy to improve the model's generalizability to out-of-distribution (OOD) data. On internal benchmark, BrReMark improves mAP50 from 0.74% to 37.54% compared to the base model, while achieving 21.57% Clinical F1 and 45.26% diagnostic accuracy. On NOVA OOD benchmark, it also achieves competitive overall performance with a 45.7% reduction in false positives compared to the state-of-the-art, indicating reduced hallucination on rare pathologies. These findings suggest that explicit hypothesis-verification grounding is a practical path toward trustworthy open-ended brain MRI diagnosis across both in-distribution and OOD settings.
• Abstract（参考訳）: 医用視覚言語モデルは通常、画像領域がどの結論をサポートするかを示すことなく、シングルパス推論によって診断を生成する。 アウトプットは監査できないし、モデルは正常なスキャンで発見を幻覚させるかもしれない。 脳MRI診断に明示的な領域マーキングを導入するフレームワークであるBrReMark(Brain Rethink via ROI Marking)を紹介する。 モデルはまず、潜在的な異常についての仮説を生成し、明示的な境界ボックスマーキングを通じてそれらを根拠にし、次に、マークされた証拠を再検討して結論を検証する。 トレーニングは、構造化推論軌道の教師付き微調整と、局所化精度と診断推論に対する複合報酬を用いた強化学習を組み合わせる。 さらに、ドメインランダム化に基づく病態合成の強化戦略を統合し、モデルからアウト・オブ・ディストリビューション(OOD)データへの一般化性を向上させる。 内部ベンチマークでは、BrReMarkはmAP50を0.74%から37.54%に改善し、21.57%の臨床F1と45.26%の診断精度を達成した。 NOVA OODベンチマークでは、まれな病態に対する幻覚の減少を示す最先端の手法と比較して、45.7%の偽陽性が減少し、競争全体のパフォーマンスも達成している。 以上の結果から, 明示的仮説検証基盤は, 内分布とOOD設定の両面において, 信頼性の高いオープンエンド脳MRI診断への実践的な道のりであることが示唆された。

関連論文リスト

• PathAgentBench: Benchmarking Evidence-Seeking Vision-Language Models on Whole-Slide Pathology Image [16.376573433449458]
  全スライディング画像(WSI)の診断には、診断に関係のある領域を特定し、倍率で調べ、マルチスケールのエビデンスを統合する必要がある。 既存のほとんどの病理ベンチマークは、プリクロップされたパッチや抽出済みのスライド機能に関するモデルを評価し、ギガピクセルのWSIから直接証拠を取得する能力は、ほとんどテストされていない。 PathAgentBenchは,視覚言語モデル(VLM)を4つの補完機能で評価するためのベンチマークである。
  論文  参考訳（メタデータ） (2026-07-21T16:33:44Z)
• SHOVIR: A Benchmark for Evaluating Vision Shortcut Learning in Radiology Report Generation [1.5782980044380892]
  放射線診断におけるビジョン・ランゲージモデルに対する現在の評価プロトコルは、語彙重なりを計測するレポートレベルの指標や、総合的な臨床的正確性に依存している。 本稿では、RRGにおける視覚ショートカット動作を評価するためのベンチマークであるSHOVIRを紹介する。
  論文  参考訳（メタデータ） (2026-06-29T12:17:35Z)
• OpenMedReason: Scientific Reasoning Supervision for Medical Vision-Language Models [45.337436216670746]
  大規模かつオープンなマルチモーダル医療推論コーパスであるOpenMedReasonを紹介する。 放射線スキャン、顕微鏡画像、可視光写真、チャートなど、様々な医療領域の視覚モダリティをカバーしている。 OpenMedReasonを使用したトレーニングでは、ベースモデルよりも平均的なVQA精度が20%向上する。
  論文  参考訳（メタデータ） (2026-06-10T14:56:51Z)
• FairGen: Preference-Aligned Diffusion for Demographically Equitable Medical Image Synthesis [44.21684876717324]
  人口統計学的にバランスの取れた医療画像を合成するフェアネス対応拡散フレームワークであるFairGenを紹介する。 医師の好みを生成プロセスに組み込むことで、FairGenは合成時のカバレッジと下流の分類を改善する。
  論文  参考訳（メタデータ） (2026-06-01T15:45:20Z)
• One-shot synthesis of rare gastrointestinal lesions improves diagnostic accuracy and clinical training [45.49415063761575]
  EndoRareは、単一の参照画像から多種多様な高忠実度病変を合成する、ワンショットでリトレーニング不要な生成フレームワークである。 われわれはこの枠組みを4つの稀な病理から検証した。 これらの結果は, コンピュータ支援診断と臨床教育の両方において, 希少なギャップを埋める実践的でデータ効率のよい方法を確立している。
  論文  参考訳（メタデータ） (2025-12-30T15:07:09Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• Expert-Guided Explainable Few-Shot Learning for Medical Image Diagnosis [2.7946918847372277]
  本稿では,放射線技師が提案する関心領域をモデルトレーニングに統合する,専門家による説明可能な数ショット学習フレームワークを提案する。 我々は、BraTS(MRI)とVinDr-CXR(Chest X-ray)の2つの異なるデータセット上で、我々のフレームワークを評価する。 本研究は, 少数症例の医用画像診断において, 評価と解釈のギャップを埋めるために, 専門家が指導する注意指導を取り入れることの有効性を実証するものである。
  論文  参考訳（メタデータ） (2025-09-08T05:31:37Z)
• Fusion-Based Brain Tumor Classification Using Deep Learning and Explainable AI, and Rule-Based Reasoning [0.0]
  本研究では,MobileNetV2とDenseNet121畳み込みニューラルネットワーク(CNN)を組み合わせたアンサンブルに基づくディープラーニングフレームワークを提案する。 モデルは、階層化された5倍のクロスバリデーションプロトコルを使用して、Figshareデータセット上でトレーニングされ、評価された。 このアンサンブルは個々のCNNよりも優れた性能を示し、精度は91.7%、精度は91.9%、リコールは91.7%、F1スコアは91.6%だった。
  論文  参考訳（メタデータ） (2025-08-09T08:46:36Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Modeling T1 Resting-State MRI Variants Using Convolutional Neural Networks in Diagnosis of OCD [0.0]
  強迫性障害(OCD: Obsessive-compulsive disorder)は、高度に不安定な障害である。 OCDは前頭前皮質とメタボトロピックグルタミン酸受容体5(mGluR5)と共通する 計算モデリング手法はmGluR5を含む過去の仮説の検証手段として用いられた。
  論文  参考訳（メタデータ） (2023-06-15T12:02:57Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)

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。