論文の概要: Learning How Much, Not Just What: Cross-Patient Burden Order for CT Vision-Language Pretraining

• arxiv url: http://arxiv.org/abs/2608.00231v1
• Date: Fri, 31 Jul 2026 19:23:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.552462
• Title: Learning How Much, Not Just What: Cross-Patient Burden Order for CT Vision-Language Pretraining
• Title（参考訳）: CTビジョンランゲージ事前トレーニングのためのクロスパティエントバーデンオーダー
• Authors: Guoliang You, Haifan Gong, Xiaomeng Chu,
• Abstract要約: Volumetric CT Vision-Language Pretrainingはスキャンとレポートのペアから3D表現を学習する。 同じ発見が一貫した方向に沿って広範に行われる場合とは、軽度な違いはない。 クロスセクションのコホートは、すでにさまざまな患者に対する弱い負担のキューをコード化しています。
• 参考スコア（独自算出の注目度）: 4.757530530297623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Volumetric CT vision-language pretraining learns 3D representations from scan-report pairs, but global and anatomy-aware objectives supervise only correspondence: they establish what is present and leave how much unconstrained. Nothing separates a mild from an extensive case of the same finding along a consistent direction, so the graded burden language in reports collapses into a present/absent signal. Longitudinal supervision would supply this order, but patient-matched CT pairs are scarce at scale; cross-sectional cohorts already encode weak burden cues across different patients. We introduce Spectrum, an anatomy-conditioned framework that represents each study at whole-study and organ scopes. For each organ-mapped pathology, a rule-based scorer mines confidence-filtered lower-to-higher pairs of different patients, and Burden-Direction Alignment (BDA) aligns the pathology-conditioned image delta with the report delta at each scope, separating that direction from its reverse. Because the endpoints are different people, a target-conditioned aligner first makes them comparable, so the delta reflects burden rather than between-patient variation. BDA further separates the selected direction from its reverse, anchors it to the observed higher-burden endpoint, and enforces consistency across ordered triplets. Since every pair is drawn within a single pathology, BDA is designed to constrain intra-class structure that image-report contrast alone never touches. Spectrum attains 85.6 zero-shot AUROC on CT-RATE and 72.7 on external RAD-ChestCT, with consistent gains in linear probing and retrieval. Weak cross-patient order is thus a scalable complement to anatomy-aware correspondence, yielding burden-aware CT representations without longitudinal data.
• Abstract（参考訳）: Volumetric CT Vision-Language Pretrainingはスキャンとレポートのペアから3D表現を学習するが、大域的および解剖学的対象は対応のみを監督する。 一貫性のある方向に沿って同じ発見をする広範囲なケースとは、何の差もないため、レポートの段階的な重み付け言語は、現在の/存在する信号に崩壊する。 縦断的監督は、この順序を提供するが、患者に適合したCTペアは、大規模にはほとんどなく、すでに横断的なコホートは、異なる患者に対する弱い負担のキューを符号化している。 解剖学的条件のフレームワークであるSpectrumを導入し、各研究を全体研究と臓器のスコープで表現する。 臓器マップされた各病理組織に対して、ルールベースのスコアラーは、信頼度フィルタリングされた下位対と上位対の異なる患者をマイニングし、Burden-Direction Alignment (BDA) は、画像デルタを各スコープでレポートデルタと整列させ、その方向を逆方向から分離する。 エンドポイントは人によって異なるため、ターゲット条件の整列器はまずそれを同等にするため、デルタは患者間のばらつきよりも負担を反映する。 BDAはさらに、選択された方向を逆方向から分離し、観測された高バーデンエンドポイントに固定し、順序付けられた三重項間の一貫性を強制する。 すべてのペアは単一の病理内で描画されるため、BDAは画像レポートコントラストだけが触れないクラス内構造を制限するように設計されている。 スペクトルはCT-RATEで85.6、RAD-ChestCTで72.7、線形探索と検索で一貫したゲインを持つ。 したがって、弱度横断患者順は解剖学的対応のスケーラブルな補完であり、経時的データのない重み付きCT表現が得られる。

関連論文リスト

• Rad-JEPA 3D: Radiology Joint-Embedding Predictive Model for 3D Computed Tomography [10.665332135327205]
  ボリュームCT表現を学習する共同埋め込み予測フレームワークであるRad-JEPA 3Dを紹介する。 中間表現の質を向上させるために,隠れ状態直交正規化(HSOR)を提案する。 HSORは、生徒と教師の隠れ状態を調整し、エンコーダ全体の特徴冗長性を減少させる。
  論文  参考訳（メタデータ） (2026-07-28T19:00:17Z)
• Fine-Grained Vision-Language Pretraining with Organ-Conditioned Pattern Tokens for CT Understanding [2.9220076568786335]
  OCP-CTは、CTビジョン言語事前学習のための臓器条件付きパターントキンアライメントフレームワークである。 安定したグローバルCTレポートのコントラストブランチを保持し、臓器パターンインターフェースを導入している。 公開されているCT-RATEとRAD-ChestCTのベンチマークでは、OCP-CTは平均84.5%と69.9%のAUROCをゼロショット異常診断で達成している。
  論文  参考訳（メタデータ） (2026-07-15T14:36:43Z)
• MAC-XA: Multi-view Anatomy-Correspondence Fusion for Coronary Stenosis Reporting from X-ray Angiography [46.98348758460767]
  冠動脈X線写真における多視点推論は本質的に横射影幾何学的問題である。 我々は、幾何学に基づくパッチレベルの対応管理を公開するために、制御可能な合成血管造影生成戦略を導入する。 合成データおよびゼロショットの実際の血管造影への移動実験により、このアライメントに制約のある設計は、一致の整合性と構造化狭窄の報告を改善することが示されている。
  論文  参考訳（メタデータ） (2026-07-07T13:33:25Z)
• Patient-Aware Contrastive Learning Preserves Per-Patient Structure in RR-Interval Representations [0.0]
  RR-interval(RRI)配列からの発作性心房細動(PAF)検出における問題点について検討した。 同一患者からのみ肯定的な対を形成する患者対応コントラスト目的を提案する。
  論文  参考訳（メタデータ） (2026-06-22T16:35:18Z)
• Disentangled Anatomy-Disease Diffusion (DADD) for Controllable Ulcerative Colitis Progression Synthesis [4.554894288663752]
  我々は,長期医療画像の制御可能な病期における合成の課題に対処する。 本誌のフレームワークDisentangled Anatomy Diffusionは、2つの相補的な埋め込みに潜時拡散モデルを適用している。 疾患関連チャネルを識別・抑制するクロスアテンションに基づく消去機構であるFeatureを導入する。 提案手法は,全重度レベルの高忠実度画像を生成し,スキュートクラス分布を効果的に再バランスさせる。
  論文  参考訳（メタデータ） (2026-05-03T12:35:12Z)
• PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
  本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。 我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。 まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。 第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
  論文  参考訳（メタデータ） (2026-04-01T15:57:18Z)
• DMD-augmented Unpaired Neural Schrödinger Bridge for Ultra-Low Field MRI Enhancement [45.02203416553436]
  ペア64mT - 3 Tスキャンは少ないため、未ペア64mT$rightarrow$3T翻訳フレームワークを提案する。 提案手法は,多段改良によるUnpaired Neural Schrdinge Bridge (UNSB) 上に構築する。
  論文  参考訳（メタデータ） (2026-03-04T06:26:52Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
  一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。 アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
  論文  参考訳（メタデータ） (2023-07-07T18:57:21Z)
• Pseudo-Label Guided Multi-Contrast Generalization for Non-Contrast Organ-Aware Segmentation [21.792652078631868]
  本研究では,非コントラストのセグメンテーションをゼロトラストラベルなしで計算するための教師なし手法を提案する。 生成的敵対的アプローチとは違って,CECTを用いて一対の形態的文脈を計算し,教師の指導を行う。 コントラストとコントラストを併用したCTスキャンによる多臓器分画に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2022-05-12T06:36:33Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)

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。