論文の概要: RADIANT-PET: Reasoning-Augmented PET/CT Lesion Segmentation with Large Language Models and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2606.28392v1
• Date: Tue, 23 Jun 2026 18:05:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.542966
• Title: RADIANT-PET: Reasoning-Augmented PET/CT Lesion Segmentation with Large Language Models and Reinforcement Learning
• Title（参考訳）: RADIANT-PET:大規模言語モデルによるPET/CT病変分割と強化学習
• Authors: Jiasheng Wang, Tanun Jitwatcharakomol, Piyawadee Jongpradubgiat, Simeng Zhu,
• Abstract要約: 本稿では,高感度なボクセルレベルセグメンテーションモデルと,病変レベル大言語モデル(LLM)を併用した推論強化フレームワークであるRADIANT-PETを提案する。 AutoPETとOSUテストコホート全体で、RADIANT-PETは強い画像のみのベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate lesion segmentation in PET/CT is critical for oncology, yet remains challenging because physiologic tracer uptake and artifacts can mimic malignant signal. We present RADIANT-PET, a reasoning-augmented framework that couples a high-sensitivity voxel-level segmentation model with lesion-level large language model (LLM) adjudication. Candidate uptake regions are generated with a deliberately permissive segmentation stage, then converted into structured textual descriptions that summarize uptake intensity, morphology, and regional and global anatomical context. An LLM classifies each candidate as true lesion vs. false positive, optionally leveraging the radiology report as additional clinical context. To strengthen lesion-level reasoning, we further optimize a local LLM via reinforcement learning using Group Relative Policy Optimization, rewarding correct lesion classification and anatomically concordant site assignment. Across AutoPET and an OSU test cohort, RADIANT-PET consistently outperforms strong image-only baselines, with the largest improvements observed when radiology reports are provided. Overall, these results demonstrate that LLM-based lesion-level reasoning adds a novel reasoning layer beyond conventional segmentation, suppressing physiologic false positives and aligning voxel-level predictions with clinical interpretation. The project repository is available at: https://github.com/jwang-580/RADIANT-PET.
• Abstract（参考訳）: PET/CTの正確な病変の断片化は腫瘍学において重要であるが、生理的トレーサーの取り込みやアーティファクトが悪性シグナルを模倣できるため、いまだに困難である。 本稿では,高感度なボクセルレベルセグメンテーションモデルと,病変レベル大言語モデル(LLM)を併用した推論強化フレームワークであるRADIANT-PETを提案する。 候補の取り込み領域は、故意に許容されるセグメンテーション段階で生成され、その後構造化されたテキスト記述に変換され、取り込みの強度、形態、および局所的およびグローバルな解剖学的文脈を要約する。 LLMは、各候補を真病変と偽陽性とに分類し、任意に放射線学報告を追加臨床コンテキストとして活用する。 病変レベルの推論を強化するため,グループ相対ポリシー最適化を用いた強化学習による局所LLMの最適化,正しい病変分類の報奨,解剖学的に一致した部位割り当てを行った。 AutoPETとOSUテストコホート全体では、RADIANT-PETは強い画像のみのベースラインを一貫して上回り、放射線学報告が提供されたときに最も改善される。 以上の結果から, LLMによる病変レベルの推論は, 従来のセグメンテーション以上の新たな推論層を付加し, 生理的偽陽性を抑え, ボクセルレベルの予測を臨床解釈と整合させることが示唆された。 プロジェクトリポジトリは、https://github.com/jwang-580/RADIANT-PETで公開されている。

関連論文リスト

• Improving PET/CT-Based Whole-Body Lesion Segmentation Using Prediction Uncertainty-Augmented Models [4.533732724414947]
  PET/CT画像からの病変のデライン化は, 微妙な画像特徴, 共同ファウンダー, 読取者間変動などにより臨床的に困難である。 既存のディープラーニングアプローチは、トレーニング関連性、一貫性のない予測、高腫瘍バーデン症例の病変の欠如、不確実性の欠如に悩まされている。 全身PET/CT病変分類のための不確実性認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-08T19:49:23Z)
• An Open Multi-Center Whole-Body FDG PET/CT Foundation Model for Tumor Segmentation [9.922425508121012]
  4つの公開データセットから4,997個のハーモナイズドスキャンを用いて,オープンソース,マルチセンター,全体FDG PET/CTファンデーションモデルを提案する。 我々のフレームワークは、初期のチャネルワイド結合を伴う階層的なUNet型のバックボーンを用いており、解剖学的および代謝学的特徴の相互作用を可能にしている。 オートマチック・オンコロジー・イメージングの進歩のための、堅牢でオープンソースの基盤を提供する。
  論文  参考訳（メタデータ） (2026-05-20T23:59:50Z)
• OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
  臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。 既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。 我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
  論文  参考訳（メタデータ） (2026-02-18T00:42:41Z)
• A Generalist Foundation Model for Total-body PET/CT Enables Diagnostic Reporting and System-wide Metabolic Profiling [17.709593152803695]
  SDF-HOLOは全身PET/CTのマルチモーダル基礎モデルであり,1万人以上の患者を対象に事前トレーニングを行った。 二重ストリームエンコーダでCTとPETの表現学習を分離し、相互モードの相互作用モジュールを介してそれらを結合する。 このモデルは、システム全体の代謝プロファイルを可能にし、組織間の代謝ネットワーク相互作用の腫瘍関連指紋を明らかにする。
  論文  参考訳（メタデータ） (2026-01-19T08:30:09Z)
• Unveiling and Bridging the Functional Perception Gap in MLLMs: Atomic Visual Alignment and Hierarchical Evaluation via PET-Bench [48.60251555171943]
  MLLM(Multimodal Large Language Models)は、異常検出や解剖学的モダリティのレポート生成などのタスクにおいて、顕著な熟練性を示した。 本研究では, 機能的トレーサの生体分布を, 形態的先行性とは無関係に復号化できない現状の視覚エンコーダについて, 基本的な機能的知覚ギャップを定量化する。 PET-Benchは52,308個の階層型QAペアからなるPET-Benchの最初の大規模機能評価ベンチマークである。 AVAは認知ギャップを効果的に橋渡しし、CoTを幻覚源から頑健な推論ツールに変換し、診断を改善していることを示す。
  論文  参考訳（メタデータ） (2026-01-06T05:58:50Z)
• Vision-Language Models for Automated 3D PET/CT Report Generation [13.781844347232079]
  自己PET/CTレポート生成は, 臨床負荷軽減にますます重要である。 PETRG-3Dは、PETとCTのボリュームをエンコードし、スタイル適応プロンプトを組み込んだエンドツーエンドの3Dデュアルブランチフレームワークである。 PETRG-Score(PETRG-Score)は、悪性リンパ腫に特異的な評価プロトコルである。
  論文  参考訳（メタデータ） (2025-11-25T10:07:57Z)
• FactPICO: Factuality Evaluation for Plain Language Summarization of Medical Evidence [46.71469172542448]
  本稿では,医療用テキストのプレーン言語要約のためのファクトPICOを提案する。 3つのランダム化制御試験(RCT)から生成される抽象語の345のプレーン言語要約で構成されている。 本研究は,これらのサマリーにおけるRCTの重要要素の事実と,それらに関する報告された知見について評価する。
  論文  参考訳（メタデータ） (2024-02-18T04:45:01Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• Evaluating Large Language Models for Radiology Natural Language Processing [68.98847776913381]
  大規模言語モデル(LLM)の台頭は、自然言語処理(NLP)分野における重要な転換点となっている。 本研究は, 放射線学報告の解釈において, 30 個の LLM を批判的に評価することにより, このギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2023-07-25T17:57:18Z)
• Whole-Body Lesion Segmentation in 18F-FDG PET/CT [11.662584140924725]
  提案モデルは, 全身の病変を予測するために, 2D と 3D nnUNET アーキテクチャを基礎として設計されている。 提案手法は, ダイススコア, 偽陽性ボリューム, 偽陰性ボリュームの計測値において, 病変のセグメンテーション性能を計測するAutoPet Challengeの文脈で評価する。
  論文  参考訳（メタデータ） (2022-09-16T10:49:53Z)

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。