論文の概要: When Does Synthetic CT Transfer? A Label-Free Donor/Host Diagnostic for Medical Vision-Language Model Routing on Real Lung CT

• arxiv url: http://arxiv.org/abs/2606.29232v1
• Date: Sun, 28 Jun 2026 06:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.840645
• Title: When Does Synthetic CT Transfer? A Label-Free Donor/Host Diagnostic for Medical Vision-Language Model Routing on Real Lung CT
• Title（参考訳）: 人工肺の移植はいつ行われるか : 実肺CTを用いた画像診断のためのラベルフリードナー/ホット診断
• Abstract要約: 我々は、転送が事前に予測可能か、ラベルなしかを尋ね、そのメカニズムで答える。 本研究は,この軸にまたがる3つの肺CT視覚言語課題について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A synthetic measurement of model competence is useful only if it survives the move to real data, yet the real labels that would verify it are exactly what medical imaging lacks. We ask whether transfer can be predicted in advance, label-free, and answer with a mechanism: on synthetic digital twins, competence that is donor-driven (a property of the transplanted nodule) survives the synthetic to real change of host, while host-driven competence (a property of the surrounding anatomy) need not. We test this on three lung CT vision-language tasks chosen to span that axis, across five public VLMs, four guidance conditions, and seven real datasets. The prediction holds in every case: presence and size orderings transfer (R2 >= 0.96), lobe does not; the split survives leave-source-out calibration, and the diagnostic names that boundary before any real label. TrialCouncil, a training-free council calibrated only on synthetic CT, confirms it by matching the best fixed model exactly where transfer is predicted. The contribution is not the router but the finding that transfer itself is predictable, label-free, from synthetic data alone.
• Abstract（参考訳）: モデル能力の合成測定は、実際のデータへの移動を生き残る場合にのみ有用である。 人工デジタル双生児の場合、ドナー駆動の能力(移植された結節の特性)は宿主の合成から実際の変化を生き残るが、ホスト駆動の能力(周辺解剖の特性)は不要である。 5つのパブリックVLM,4つのガイダンス条件,7つの実際のデータセットにまたがる3つの肺CT視覚言語タスクでこれをテストする。 予測はすべてのケースにおいて成り立つ: 存在と大きさの順序付け転送 (R2 >= 0.96) 、ローブはそうではない; 分割は離脱源の校正を生き残る; 実際のラベルよりも前の境界の診断名である。 TrialCouncilは、合成CTのみに基づいて調整されたトレーニングフリーカウンシルで、転送を正確に予測する最適な固定モデルとマッチングすることでそれを確認している。 コントリビューションはルータではなく、転送自体が合成データのみから予測可能で、ラベルなしである。

関連論文リスト

• ViCTr: Vital Consistency Transfer for Pathology Aware Image Synthesis [0.715632820500919]
  既存の方法は、病理学的特徴を正確にモデル化しながら、解剖学的忠実さを維持するのに苦労する。 ViCTrは、修正フロー軌跡とTweedie補正拡散プロセスを組み合わせて、高忠実で病理学的な画像合成を実現する新しい2段階のフレームワークである。 我々の知る限り、ViCTrは、厳密度制御による細粒度で病理に配慮したMRI合成を提供するための最初の方法である。
  論文  参考訳（メタデータ） (2025-05-08T05:44:16Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Semi-supervised Optimal Transport with Self-paced Ensemble for Cross-hospital Sepsis Early Detection [12.704730765459257]
  最先端の手法は、教師あり学習のために大量のラベル付き医療データを必要とする。 ラベル付きデータの欠如は、ある病院が新しいセプシス検出システムをデプロイしたい場合、大きな障害を引き起こす。 本稿では,Sepsis早期検出のための自己組織化アンサンブルフレームワークを用いた半教師付き最適トランスポートを提案する。
  論文  参考訳（メタデータ） (2021-06-18T20:54:18Z)
• Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized Organ Transplantation Allocation [98.43063331640538]
  臓器アロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動型ルールの学習問題を定式化する。 本稿では,表現学習に基づくモデルを提案し,ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ド 本モデルは,ヒトの専門家が実施する最先端のアロケーション手法やポリシーより優れる。
  論文  参考訳（メタデータ） (2021-01-28T01:33:21Z)
• Drug and Disease Interpretation Learning with Biomedical Entity Representation Transformer [9.152161078854146]
  自由形式のテキストにおける概念正規化は、あらゆるテキストマイニングパイプラインにおいて重要なステップです。 微調整BERTアーキテクチャに基づくシンプルで効果的な2段階のニューラルアプローチを提案する。
  論文  参考訳（メタデータ） (2021-01-22T20:01:25Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• What Can Be Transferred: Unsupervised Domain Adaptation for Endoscopic Lesions Segmentation [51.7837386041158]
  内視鏡的病変分割のための2つの相補的モジュールを含む新しい教師なしセマンティックトランスファーモデルを開発した。 特に、T_Dは、残留転写可能性を認識するボトルネックを介して、医療病変の伝達可能な視覚情報を翻訳する場所に焦点を当てている。 T_Fは、さまざまな病変のトランスファー可能なセマンティック機能を拡張し、自動的に非トランスファー可能な表現を無視する方法を強調している。
  論文  参考訳（メタデータ） (2020-04-24T00:57:05Z)

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。