Fugu-MT 論文翻訳(概要): A Unified 2D Framework for DeepLesion Detection, Segmentation and Short Report Generation

論文の概要: A Unified 2D Framework for DeepLesion Detection, Segmentation and Short Report Generation

arxiv url: http://arxiv.org/abs/2608.02805v1
Date: Mon, 03 Aug 2026 19:01:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:22.922261
Title: A Unified 2D Framework for DeepLesion Detection, Segmentation and Short Report Generation
Title（参考訳）: 深部位置検出, セグメンテーション, 短報生成のための統一2次元フレームワーク
Abstract要約: ULS23 DeepLesionデータセットに基づいて,大言語モデル(LLM)を病変分割モデルに統合した。 LLMに基づく推論, 病変境界ボックス検出, セグメンテーション, 放射線学的レポート生成を統合した2次元病変解析フレームワークを開発した。私たちはGithubで実装、データセット、モデルをリリースしました。
参考スコア（独自算出の注目度）: 8.511707304860897
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In previous work, we integrated large language models (LLMs) into the lesion segmentation model based on the ULS23 DeepLesion dataset, using short-form findings from the reports. In this study, we developed a unified 2D lesion analysis framework that integrates LLM-based reasoning, lesion bounding box detection, segmentation, and radiology report generation from the original DeepLesion dataset. In the testing phase, we achieved relatively high lesion bounding box detection accuracy with mAP50 of 70.1%, mAP50-95 of 46.4%; Lesion segmentation performance with a Dice score of 62.6%; short report generation accuracy with BLEU_1 score of 64.3%, BLEU_4 score of 49.6%, METEOR of 34.7%, and ROUGE_L of 60.1%. In this work, we address the challenging issue of segmentation in the original DeepLesion dataset and achieve a 28.5% Dice score improvement over the nnUNet lesion segmentation model. We also integrated spatial and anatomical context into the DeepLesion short report generation. We released the implementation, dataset, and models on Github. https://github.com/ruida/2D_DeepLesion_Foundation
Abstract（参考訳）: これまでの研究では,大言語モデル(LLM)をALS23 DeepLesionデータセットに基づく病変分割モデルに統合し,報告から短い結果を得た。本研究では,従来のDeepLesionデータセットからLLMベースの推論,病変境界ボックス検出,セグメンテーション,放射線学レポートを統合した2次元病変解析フレームワークを開発した。試験段階では,mAP50が70.1%,mAP50-95が46.4%,Diceが62.6%,BLEU_1が64.3%,BLEU_4が49.6%,METEORが34.7%,ROUGE_Lが60.1%であった。本研究では,オリジナルのDeepLesionデータセットにおけるセグメンテーションの問題に対処し,nUNet病変セグメンテーションモデルよりも28.5%のDiceスコアの改善を実現する。また,DeepLesionショートレポート生成に空間的および解剖学的文脈を取り入れた。私たちはGithubで実装、データセット、モデルをリリースしました。 https://github.com/ruida/2D_DeepLesion_Foundation

関連論文リスト

Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。 NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
論文参考訳（メタデータ） (2026-08-12T21:02:59Z)
Open-Ended CT Volume Segmentation with Weak Supervision from Language [60.690380060745134]
本稿では, ボクセルレベルの監視と粗大だがスケーラブルなスライスレベルの監視を組み合わせたCTスキャンのためのテキスト条件分割モデルの訓練手法を提案する。我々は,強ラベル付きデータによる標準的なセグメンテーション損失と,抽出された弱監督によるスライスレベルの分類損失を伴って,汎用2次元画像セグメンテーションモデルSAM3を微調整する。 ReXGroundingCTデータセットを用いた結果から,完全ラベル付き巻数1000の場合には8%,完全ラベル付き巻数250の場合には22%に向上した。
論文参考訳（メタデータ） (2026-07-28T15:29:12Z)
Text Embedded Swin-UMamba for DeepLesion Segmentation [6.654483111362868]
大きな言語モデル(LLM)を病変分割ワークフローに統合することで、画像特徴と放射線診断レポートからの病変特性の記述を組み合わせることができる。本研究では,病変分割作業におけるSwin-UMambaアーキテクチャへのテキスト統合の可能性について検討した。
論文参考訳（メタデータ） (2025-08-08T16:54:06Z)
CorBenchX: Large-Scale Chest X-Ray Error Dataset and Vision-Language Model Benchmark for Report Error Correction [11.731590131260424]
CorBenchXは胸部X線レポートにおける自動エラー検出と修正のためのスイートである。まず,26,326個の胸部X線誤差の大規模データセットを合成した。オープンソースとクローズドなビジョン言語モデルの両方をベンチマークします。
論文参考訳（メタデータ） (2025-05-17T15:39:39Z)
Class Imbalance Correction for Improved Universal Lesion Detection and Tagging in CT [1.7098468543752943]
我々は、DeepLesionの限られたサブセット(6%、1331病変、1309スライス)を使用して、VFNetモデルをトレーニングし、病変を検出し、タグ付けします。私たちは、DeepLesionでクラス不均衡を最初に報告し、それに対応するためにデータ駆動のステップを取りました。
論文参考訳（メタデータ） (2025-04-08T00:58:26Z)
Handling Geometric Domain Shifts in Semantic Segmentation of Surgical RGB and Hyperspectral Images [67.66644395272075]
本稿では,幾何学的アウト・オブ・ディストリビューションデータに直面する場合の,最先端のセマンティックセマンティックセマンティクスモデルの最初の解析を行う。本稿では, 汎用性を高めるために, 有機移植(Organ Transplantation)と呼ばれる拡張技術を提案する。我々の拡張技術は、RGBデータに対して最大67%、HSIデータに対して90%のSOAモデル性能を改善し、実際のOODテストデータに対して、分配内パフォーマンスのレベルでのパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-08-27T19:13:15Z)
Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文参考訳（メタデータ） (2024-08-19T15:04:42Z)
Exploring Multimodal Large Language Models for Radiology Report Error-checking [1.7217842380976978]
本稿では, 放射線技師が報告の誤りを確認するための補助として, マルチモーダル大言語モデル (LLMs) を用いた最初の臨床応用の1つを提案する。我々は、実世界の放射線学データセット(X線とCTスキャンを含む)から評価データセットを作成しました。 SIMPLEレベルでは,MIMIC-CXRとIU X線データでそれぞれ47.4%,25.4%向上した。
論文参考訳（メタデータ） (2023-12-20T15:20:33Z)
MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
論文参考訳（メタデータ） (2022-11-11T14:17:04Z)
Learning to segment prostate cancer by aggressiveness from scribbles in bi-parametric MRI [0.0]
弱いアノテーションに基づくMRIにおけるアグレッシブネスによる前立腺癌セグメンテーションの課題に対処する深層U-Netモデルを提案する。トレーニングには6.35%のボクセルしか使用せず,完全教師付きベースラインにアプローチできることが示唆された。コーエンのカッパスコアは弱いモデルでは 0.29 $pm$ 0.07 であり,ベースラインでは 0.32 $pm$ 0.05 である。
論文参考訳（メタデータ） (2022-07-01T11:52:05Z)
Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文参考訳（メタデータ） (2020-12-23T14:38:35Z)
DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文参考訳（メタデータ） (2020-08-19T06:02:46Z)

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。