論文の概要: MonteRET: AI Agent Enhancing Multimodal LLMs with Multi-granularity Knowledge Retrieval for Chest CT Report Generation
- arxiv url: http://arxiv.org/abs/2607.14264v1
- Date: Wed, 15 Jul 2026 18:17:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.884826
- Title: MonteRET: AI Agent Enhancing Multimodal LLMs with Multi-granularity Knowledge Retrieval for Chest CT Report Generation
- Title（参考訳）: MontereT:胸部CTレポート生成のための多粒度知識検索を用いたマルチモーダルLCMのAIエージェント
- Abstract要約: MonteRETは、胸部CT所見部位を生成するための領域認識検索拡張フレームワークである。
我々はRadGenome-ChestCTから24,128個のCTスキャンを用いて,公開コホートでモデルを訓練した。
MonteRETは、適合したベースラインといくつかの最先端手法と比較して、レポートの品質、意味的類似性、臨床効果を改善した。
- 参考スコア（独自算出の注目度）: 23.217550354986283
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated chest CT report generation remains challenging because clinically faithful reporting requires both whole-volume understanding and accurate description of localized anatomical findings. Here we developed and retrospectively evaluated MonteRET, a region-aware retrieval-enhanced framework for generating chest CT findings sections. MonteRET integrates global CT features with region-level anatomical representations, retrieves clinically relevant knowledge using predicted medical conditions and region-level vision-language alignment, and refines initial reports through a knowledge-guided report rewriting agent. We trained our model on a public cohort with 24,128 CT scans from RadGenome-ChestCT. We evaluated MonteRET on the public RadGenome-ChestCT test set of 1,564 CT scans and an external cohort of 82 CT scans from NewYork-Presbyterian/Weill Cornell Medical Center. MonteRET improved report quality, semantic similarity, and clinical efficacy compared with a matched baseline and several state-of-the-art methods. Gains were most pronounced for recall, suggesting fewer omitted findings. Human expert evaluation by radiology residents also favored MonteRET.
- Abstract（参考訳）: 臨床的に忠実な報告には,局所解剖学的所見の全体的理解と正確な説明が必要であるため,自動胸部CTレポート生成は依然として困難である。
そこで我々は,胸部CT所見部位を生成するための領域認識検索強化フレームワークであるMonteRETを開発した。
MonteRETは、グローバルCTの特徴を地域レベルの解剖学的表現と統合し、予測された医療条件と地域レベルの視覚言語アライメントを使用して臨床的に関連する知識を回収し、知識誘導レポート書き換えエージェントを通じて初期報告を洗練する。
我々はRadGenome-ChestCTから24,128個のCTスキャンを用いて,公開コホートでモデルを訓練した。
The public RadGenome-ChestCT test set of 1,564 CT scan and a external cohort of 82 CT scan from NewYork-Presbyterian/Weill Cornell Medical Center。
MonteRETは、適合したベースラインといくつかの最先端手法と比較して、レポートの品質、意味的類似性、臨床効果を改善した。
利得はリコールで最も顕著であり、省略された結果が少ないことが示唆された。
放射線学の住民による人的評価もモンテレトを好んだ。
関連論文リスト
- Learning Anatomy-Grounded CT Vision-Language Representations with Organ-Hierarchical Report Knowledge [7.277508278429653]
我々は,臓器階層的知識付加型CTレポートフレームワークであるoka-CTを提案する。
OK-CTは,まず,ラジオロジーレポート解析を用いて,自由テキストレポートを臓器条件の知識に変換する。
ステージ1は、微細な臓器条件の監督を通じて、解剖学的根拠をCTの視覚表現に注入する。
Stage2は、組織特異的なレポートエビデンスを使用して、構造化レポート-CTコントラスト学習をガイドする。
論文 参考訳（メタデータ） (2026-07-12T23:09:23Z) - A Multi-Center Benchmark for Abdominal Disease Diagnosis and Report Generation from Non-Contrast CT [15.152662172359355]
腹部病変の鑑別には多核性造影CT(CECT)が広く用いられている。
コントラスト誘発性腎症の固有のリスクを負い、取得負担を増大させ、放射線医の作業負荷に大きく貢献する。
多臓器性腹部疾患の診断と自動放射線診断レポート作成のための新しいマルチセンターベンチマークを導入する。
論文 参考訳（メタデータ） (2026-06-15T17:29:32Z) - EXACT: an explainable anomaly-aware vision foundation model for analysis of 3D chest CT [29.0378459959757]
EXACTは3次元胸部CTの異常認識基盤モデルである。
2つの臨床スキャンと放射線学レポートから空間的に解決された表現を学習する。
EXACTは臨床的に関係のあるCTタスクに対して一貫した改善を示す。
論文 参考訳（メタデータ） (2026-04-27T07:57:47Z) - CT-FineBench: A Diagnostic Fidelity Benchmark for Fine-Grained Evaluation of CT Report Generation [51.11942945171396]
従来の評価指標は、語彙重なり合いやエンティティマッチングの粗い尺度のみを提供する。
我々はCT-RATEとMerlinのベンチマークであるCT-FineBenchを提案し、CTレポートの微細な事実整合性を評価する。
我々のベンチマークは、綿密な質問回答(QA)ベースのプロセスによって構築されます。
論文 参考訳（メタデータ） (2026-04-27T03:32:46Z) - A Clinically-Grounded Two-Stage Framework for Renal CT Report Generation [4.408787333571913]
本稿では,自動腎CTレポート作成のための枠組みを提案する。
ステージ1では、マルチタスク学習モデルが、各2次元画像から構造化された臨床特徴を検出する。
ステージ2では、視覚言語モデルが画像と検出された特徴に条件付けされた自由テキストレポートを生成する。
論文 参考訳（メタデータ） (2025-06-30T07:45:02Z) - MvKeTR: Chest CT Report Generation with Multi-View Perception and Knowledge Enhancement [1.6355783973385114]
多視点認識知識強化型TansfoRmer(MvKeTR)
複数の解剖学的ビューから診断情報を効果的に合成するために、ビューアウェアのMVPAを提案する。
クエリボリュームに基づいて、最も類似したレポートを取得するために、Cross-Modal Knowledge Enhancer (CMKE) が考案されている。
論文 参考訳（メタデータ） (2024-11-27T12:58:23Z) - RadGenome-Chest CT: A Grounded Vision-Language Dataset for Chest CT Analysis [56.57177181778517]
RadGenome-Chest CTはCT-RATEに基づく大規模3次元胸部CT解釈データセットである。
私たちは、最新の強力なユニバーサルセグメンテーションと大きな言語モデルを活用して、元のデータセットを拡張します。
論文 参考訳（メタデータ） (2024-04-25T17:11:37Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。
提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文 参考訳（メタデータ） (2022-09-28T10:27:10Z) - Context-Aware Transformers For Spinal Cancer Detection and Radiological
Grading [70.04389979779195]
本稿では,脊椎分析に関わる医療画像問題に対するトランスフォーマーを用いた新しいモデルアーキテクチャを提案する。
MR画像におけるそのようなモデルの2つの応用について考察する: (a)脊椎転移の検出と脊椎骨折の関連状況と転移性脊髄圧迫。
画像中の脊椎のコンテキストを考慮することで,SCTは以前に公表したモデルと比較して,いくつかのグレーディングの精度を向上することを示す。
論文 参考訳（メタデータ） (2022-06-27T10:31:03Z) - Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
我々はCTにおける臓器局所化のための深層強化学習手法を提案する。
この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。
本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
論文 参考訳（メタデータ） (2020-05-11T10:06:13Z)
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。