論文の概要: TMF-RSE: Tri-Modal Fusion with Regional Semantics and Evidential Uncertainty for Lung Severity Scoring
- arxiv url: http://arxiv.org/abs/2607.06356v1
- Date: Tue, 07 Jul 2026 14:54:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.55951
- Title: TMF-RSE: Tri-Modal Fusion with Regional Semantics and Evidential Uncertainty for Lung Severity Scoring
- Title（参考訳）: TMF-RSE : 肺重症度検査における局所的意味論と証拠的不確かさを併用した3モード核融合
- Authors: Fadi Abdeladhim Zidi, Salah Eddine Bekhouche, Abdellah Zakaria Sellam, Gaby Maroun, Fadi Dornaika, Cosimo Distante,
- Abstract要約: 本稿では,2次元胸部入力による外観特徴,肺分画マスクによる構造特徴,重度定量化のための視覚言語モデルによる意味特徴を組み合わせた3次元深層学習フレームワークTMF-RSEを提案する。
提案手法では, セマンティックガイダンス, 構造的先行, 階層的相互作用を統合した相補的な融合機構を用いる。
Per-COVID-19 CTとRALOデータセットの実験は、TMF-RSEが最近のトランスフォーマーベースのベースラインより優れていることを示している。
- 参考スコア（独自算出の注目度）: 11.785230718509196
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate quantification of lung disease severity from chest imaging is critical for clinical decision-making and resource allocation. We propose a tri-modal deep learning framework, TMF-RSE (Tri-Modal Fusion with Regional Semantics and Evidential Uncertainty), that combines appearance features from two-dimensional chest inputs, structural features from lung segmentation masks, and semantic features from vision-language models (VLMs) for severity quantification. Our approach employs complementary fusion mechanisms that integrate semantic guidance, structural priors, and hierarchical interactions across modalities. The model employs evidential regression to provide both severity predictions and uncertainty estimates. Experiments on the Per-COVID-19 CT and RALO datasets show that TMF-RSE outperforms recent transformer-based baselines, achieving MAE of 4.02 and Pearson correlation of 0.9629 on Per-COVID-19 validation, and 0.339 MAE / 0.973 PC on RALO geographic extent.
- Abstract（参考訳）: 胸部画像から肺疾患の重症度を正確に定量化することは臨床診断と資源配分に重要である。
本稿では,2次元胸部入力の外観特徴,肺セグメンテーションマスクの構造特徴,重度定量化のための視覚言語モデル(VLM)のセマンティック特徴を組み合わせた3モード深層学習フレームワークTMF-RSE(Tri-Modal Fusion with Regional Semantics and Evidential Uncertainty)を提案する。
提案手法では, セマンティックガイダンス, 構造的先行, 階層的相互作用を統合した相補的な融合機構を用いる。
このモデルは、深刻度予測と不確実性推定の両方を提供するために明らかな回帰を用いる。
Per-COVID-19 CTとALOデータセットの実験により、TMF-RSEは最近のトランスフォーマーベースベースラインより優れており、Per-COVID-19バリデーションでは4.02のMAE、Pearson相関では0.9629、RALO領域では0.339のMAE/0.973PCを達成している。
関連論文リスト
- Adaptive Temporal Gating of Longitudinal Magnetic Resonance Imaging for Alzheimer's Prediction [4.549831511476248]
縦3次元MRIスキャンをモデル化したCNN-TransformerアーキテクチャであるTAF-Netを導入する。
3年間のMCI-AD変換予測のためのアルツハイマー病神経画像イニシアチブコホートの評価
論文 参考訳（メタデータ） (2026-05-27T12:33:46Z) - D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳（メタデータ） (2026-05-21T09:55:42Z) - 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) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。
エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。
データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
論文 参考訳（メタデータ） (2025-11-20T03:38:46Z) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳（メタデータ） (2025-11-19T20:11:49Z) - PF-DAformer: Proximal Femur Segmentation via Domain Adaptive Transformer for Dual-Center QCT [8.358409792893278]
多施設定量的CT(QCT)に適したドメイン適応型トランスフォーマーセグメンテーションフレームワークを開発した。
当モデルでは, タラネ大学から1024個のQCT画像スキャン, ミネソタ州ロチェスターから384個の画像スキャンを行い, 大腿骨近位部セグメンテーションを行った。
論文 参考訳（メタデータ） (2025-10-30T18:07:56Z) - AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。
本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。
AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
論文 参考訳（メタデータ） (2025-08-07T07:09:31Z) - HWA-UNETR: Hierarchical Window Aggregate UNETR for 3D Multimodal Gastric Lesion Segmentation [11.180283823428711]
HWA-UNETRは、学習可能なウィンドウアグリゲーション層を備えたオリジナルのHWAブロックを利用する、新しい3Dセグメンテーションフレームワークである。
我々のフレームワークは、しっかりとした堅牢性を維持しながら、Diceスコアの1.68%まで既存の手法を上回ります。
論文 参考訳（メタデータ） (2025-05-15T16:18:00Z)
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。