論文の概要: DS@GT ARC at MEDIQA-CORE-Task-1 2026: Trimodal Model Fusion with Task-Specific Gates for Brain Tumor Subtype Classification
- arxiv url: http://arxiv.org/abs/2608.00086v1
- Date: Thu, 30 Jul 2026 04:25:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 21:56:46.351851
- Title: DS@GT ARC at MEDIQA-CORE-Task-1 2026: Trimodal Model Fusion with Task-Specific Gates for Brain Tumor Subtype Classification
- Title(参考訳): DS@GT ARC at MEDIQA-CORE-Task-1 2026: Trimodal Model Fusion with Task-Specific Gates for Brain tumor Subtype Classification (英語)
- Abstract要約: 本稿では、ImageCLEFmed MEDIQA-2026 Task1, Brain tumor Subtype Classificationに対するDS@GT ARCチームの研究について詳述する。
この課題は、レベル1分子タイプ、LGG対HGG、WHOグレードの3つのグリオーマ分類問題を評価する。
術前MRI(NeuroVFM)とProv-GigaPath(Prov-GigaPath)の埋め込みと自由テキスト放射線検査を併用した。
我々は,完全マルチモーダル条件下で0.801の平均マクロF1を達成し,オーガナイザのベースライン0.796を超え,検証をパスしたチームの中で第2位となる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain tumor diagnosis is a time-sensitive process in which patients may wait weeks for a finalized pathology report. This problem motivates automated systems that classify tumor subtype from multimodal inputs. This paper details the DS@GT ARC team's work for ImageCLEFmed MEDIQA-CORE 2026 Task~1, Brain Tumor Subtype Classification. The task evaluates three glioma classification problems: Level-1 Molecular Type, LGG vs HGG, and WHO Grade. We combine pre-extracted MRI (NeuroVFM) and histopathology (Prov-GigaPath) embeddings with free-text radiology reports. Our team explored two trimodal fusion architectures, two report encoders (RadBERT and Llama-3.1-8B-Instruct), and a biologically motivated post-processing stage. We achieve a mean macro-F1 of 0.801 under the Fully Multimodal condition, exceeding the organizers' baseline of 0.796 and ranking second among the teams whose code passed verification. Additional evaluation across modality-dropping conditions shows that this advantage depends heavily on the availability of the histopathology modality, and that our system falls behind the baseline when modalities are missing. Our code is available on GitHub at https://github.com/dsgt-arc/imageclef-mediqacore-2026.
- Abstract(参考訳): 脳腫瘍の診断は、患者が最終診断に数週間待つという、時間に敏感なプロセスである。
この問題はマルチモーダル入力から腫瘍のサブタイプを分類する自動システムに動機づける。
本稿では、DS@GT ARCチームのImageCLEFmed MEDIQA-CORE 2026 Task~1, Brain tumor Subtype Classificationについて詳述する。
この課題は、レベル1分子タイプ、LGG対HGG、WHOグレードの3つのグリオーマ分類問題を評価する。
術前MRI(NeuroVFM)とProv-GigaPath(Prov-GigaPath)の埋め込みと自由テキスト放射線検査を併用した。
我々のチームは,2つの三相融合アーキテクチャ,2つのレポートエンコーダ(RadBERTとLlama-3.1-8B-Instruct),および生物学的に動機付けられた後処理段階について検討した。
我々は,完全マルチモーダル条件下で0.801の平均マクロF1を達成し,オーガナイザのベースライン0.796を超え,検証に合格したチームの中で2位となった。
この利点は, 病理組織学的モダリティの可用性に大きく依存しており, モダリティが欠如している場合に, 我々のシステムがベースラインの後方に落ちることを示唆している。
私たちのコードはGitHubでhttps://github.com/dsgt-arc/imageclef-mediqacore-2026で公開されています。
関連論文リスト
- NeuroTS-Net: Multi-Class Semantic Segmentation of Pediatric Brain Tumors in Multi-Modal MRI [0.8013259197554157]
NeuroTS-Netは、セマンティックセグメンテーションのための3次元エンコーダデコーダ畳み込みニューラルネットワークアーキテクチャである。
デュアルスケールの生のディテールストリーム、適応型低解像度コンテキスト選択、詳細保存型マルチパスダウンサンプリングが組み込まれている。
NeuroTS-Netは、外部データや事前訓練された重量なしで、BraTS 2026の小児データセットでトレーニングされた。
論文 参考訳(メタデータ) (2026-09-15T09:05:03Z) - ClinFusion: A Vision-Centric Multimodal LLM System for Holistic Medical Understanding [67.57715989349471]
MLLM(Multimodal large language model)は、臨床実践に革命をもたらす大きな可能性を秘めている。
我々は、総合的な医学的理解のために設計された視覚中心のMLLMであるClinFusionを紹介する。
ClinFusionは、総合的な2Dおよび3Dマルチモーダル・メディカル・ベンチマーク・スイートにまたがって、最先端の新たな状態を設定する。
論文 参考訳(メタデータ) (2026-07-27T17:59:49Z) - The Capacity of Thought: Benchmarking Llama 3.2 in Semantic fMRI Neural Language Decoding and Improving the Huth Encoding-Model Baseline [0.0]
We improve the Huth et al. ridge regression encoding pipeline through expanded voxel selection。
凍結したLlama-3.2-1BにBOLD活性をマッピングするfMRIFlamingoを紹介する。
1-in-100のランキングタスクで42.86%の精度でトップ-1を達成したが、確率ははるかに上回ったが、fMRI入力がゼロのブラインドコントロールアブレーションは、ほぼ同一のスコアを得る。
論文 参考訳(メタデータ) (2026-07-13T18:56:17Z) - A multi-agent system for spine MRI report generation from multi-sequence imaging [13.179616037269952]
脊椎病理は世界中で痛みと障害の主な原因である。
最近の自動MRI解析の進歩にもかかわらず、マルチシーケンスデータを効果的に組み合わせることは未解決の課題である。
SpineAgentは、マルチシーケンス基盤モデルに基づく、脊椎MRIレポート生成のためのマルチエージェントフレームワークである。
論文 参考訳(メタデータ) (2026-06-08T00:50:07Z) - Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。
MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
論文 参考訳(メタデータ) (2026-01-29T13:05:46Z) - MedGemma Technical Report [75.88152277443179]
MedGemmaは、Gemma 3 4Bと27Bをベースとした医療ビジョン言語基盤モデルの集合体である。
MedGemmaは、画像とテキストの高度な医学的理解と推論を実証する。
また、SigLIPから派生した医用目視エンコーダであるMedSigLIPを紹介する。
論文 参考訳(メタデータ) (2025-07-07T17:01:44Z) - Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。
私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。
複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
論文 参考訳(メタデータ) (2025-03-08T04:51:58Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳(メタデータ) (2024-09-29T07:04:26Z) - Gene-induced Multimodal Pre-training for Image-omic Classification [20.465959546613554]
本稿では、ゲノム情報と全スライド画像(WSI)を併用した遺伝子誘導型マルチモーダル事前学習フレームワークを提案する。
TCGAデータセットによる実験結果から,ネットワークアーキテクチャと事前学習フレームワークの優位性が示され,画像-オミクス分類の精度は99.47%に達した。
論文 参考訳(メタデータ) (2023-09-06T04:30:15Z) - Multimodal CNN Networks for Brain Tumor Segmentation in MRI: A BraTS
2022 Challenge Solution [0.0]
この記事では、BraTS 2022の継続的評価課題への私たちの貢献について説明する。
術前MRIにおけるグリオーマ境界の自動検出のための,DeepSeg,nnU-Net,DeepSCANという,複数のディープラーニングフレームワークのアンサンブルを提案する。
Diceスコアが0.9294、0.8788、0.8803、Hausdorf距離が5.23、13.54、12.05のBraTSテストデータセットで、腫瘍全体、腫瘍コア、造影腫瘍をそれぞれ評価した。
論文 参考訳(メタデータ) (2022-12-19T09:14:23Z) - HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation [17.756591105686]
本稿では,3次元重み付き畳み込み層を積み重ねることで,マルチスケール情報を取得するハイパーデンスインセプション3D UNet(HI-Net)を提案する。
BRATS 2020テストセットの予備結果は、提案されたアプローチにより、ET、WT、TCのダイス(DSC)スコアがそれぞれ0.79457、0.87494、0.83712であることを示しています。
論文 参考訳(メタデータ) (2020-12-12T09:09:04Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳(メタデータ) (2020-11-24T01:53:39Z)
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。