論文の概要: Text-Guided Refinement of Multi-sequence Glioma Subregion Segmentation with a Vision-Language Foundation Model
- arxiv url: http://arxiv.org/abs/2608.05389v1
- Date: Wed, 05 Aug 2026 20:17:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.782477
- Title: Text-Guided Refinement of Multi-sequence Glioma Subregion Segmentation with a Vision-Language Foundation Model
- Title（参考訳）: 視覚言語基礎モデルを用いたマルチシーケンスグリオーマサブセグメンテーションのテキストガイド化
- Abstract要約: 3次元視覚言語基礎モデルでは、グリオーマ部分領域分割の指示誘導による洗練を行うことができる。
正しい、空白、矛盾するプロンプトに対する感度は、非特異的な後処理よりもテキスト依存の輪郭編集を示唆している。
- 参考スコア（独自算出の注目度）: 5.368430154049423
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Accurate glioma subregion delineation is important for radiotherapy planning and longitudinal monitoring, but manual contour correction is time-consuming. Models such as nnU-Net may generalize imperfectly and lack clinician-directed text correction. Purpose: We investigated adapting a three-dimensional (3D) vision-language foundation model for text-guided brain tumor segmentation refinement. Methods: We developed a lightweight VoxTell-based framework. Pretrained VoxTell generated initial masks. Oracle prompts derived from segmentation errors encoded target, action, location, imaging evidence, edit size, and preservation constraints. Frozen Qwen/VoxTell prompt embeddings were injected through trainable projections into its multiscale decoder conditioning; other weights remained frozen. Training, validation, and testing used 901, 100, and 250 BraTS-GLI cases. Cross-dataset transfer was evaluated on 100 meningioma, metastasis, pediatric tumor, and UPENN-GBM cases. Results: On the internal test set using post-contrast T1-weighted input, correct instructions improved subregion Dice similarity coefficient (DSC; enhancing tumor, edema, and necrotic/non-enhancing core) from $0.774\pm0.158$ to $0.796\pm0.137$. They outperformed blank prompts ($0.762\pm0.155$; Holm-adjusted $p<0.001$, $d_z=0.71$) and contradictory prompts ($0.770\pm0.163$; $p<0.001$, $d_z=0.48$). In cross-dataset testing, correct instructions improved DSC from $0.527\pm0.287$ to $0.550\pm0.278$ and outperformed contradictory instructions ($0.504\pm0.275$; $p<0.001$, $d_z=0.43$). Conclusion: A 3D vision-language foundation model can perform instruction-guided refinement of glioma subregion segmentations. Sensitivity to correct, blank, and contradictory prompts suggests text-dependent contour editing rather than nonspecific post-processing, supporting further evaluation as a clinician-in-the-loop tool.
- Abstract（参考訳）: 背景: 放射線治療計画や経時的モニタリングには正確なグリオーマ亜領域の脱線が重要であるが, 手動輪郭補正には時間がかかる。
nnU-Netのようなモデルは不完全な一般化が可能であり、クリニカル指向のテキスト修正が欠如している。
目的: 3次元3次元視覚言語基礎モデルを用いて, テキスト誘導脳腫瘍セグメンテーションの改良について検討した。
Methods: 私たちは軽量なVoxTellベースのフレームワークを開発しました。
事前訓練されたVoxTellは初期マスクを生成する。
Oracleは、ターゲット、アクション、ロケーション、イメージングエビデンス、編集サイズ、保存制約を符号化したセグメンテーションエラーから派生したプロンプトを推奨している。
凍結されたQwen/VoxTellの急速埋め込みは、訓練可能なプロジェクションを通してマルチスケールのデコーダコンディショニングに注入された。
トレーニング,検証,検査では901例,100例,250例のBraTS-GLIを使用した。
100例の髄膜腫, 転移, 小児腫瘍, UPENN-GBM症例において, 異種間転移を認めた。
結果: コントラスト後T1重み入力を用いた内部テストセットでは, 局所Dice類似係数(DSC, 腫瘍, 浮腫, 壊死・非エンハンシングコア)を0.774\pm0.158$から0.796\pm0.137$に改善した。
彼らは空白のプロンプト(0.762\pm0.155$; Holm-adjusted $p<0.001$, $d_z=0.71$)と矛盾のプロンプト(0.770\pm0.163$; $p<0.001$, $d_z=0.48$)を上回った。
クロスデータセットテストでは、DSCを0.527\pm0.287$から0.550\pm0.278$に改善し、矛盾命令を0.504\pm0.275$; $p<0.001$, $d_z=0.43$に改善した。
結論: 3次元視覚言語基盤モデルでは,グリオーマ部分領域分割の指示誘導による洗練を行うことができる。
正当性、空白性、矛盾するプロンプトに対する感度は、非特異的な後処理よりもテキスト依存の輪郭編集を示唆し、クリニアン・イン・ザ・ループツールとしてのさらなる評価を支持している。
関連論文リスト
- Synergistic Perception-Reasoning Governance: Grounding Medical MLLMs with Verifiable Anatomical Evidence [45.78409219344429]
マルチモーダル大言語モデル (MLLM) は, 臨床VQAと放射線学報告の生成に強い期待を示すが, 推測時幻覚は信頼性を損なう。
本稿では,両面のエビデンス注入による幻覚を系統的に緩和する,総合的かつトレーニング不要なエビデンス注入フレームワークを提案する。
textttLLaVA-1.5-7B, texttLLaVA-Med-1.5-7B, texttQwen3-VL-8B/32B, textttInternVL を用いた2つのタスクと5つのデータセットの系統的評価を行った。
論文 参考訳（メタデータ） (2026-06-30T08:07:25Z) - Imbuing Large Language Models with Bidirectional Logic for Robust Chain Repair [44.80087038178069]
本稿では,デコーダのみのトランスフォーマーをネイティブに組み込んだトレーニングフレームワークであるTeleological Reasoning Infilling (TRI)を紹介する。
推測では、TRIは二重システムループ内の外科的修復モジュールとして動作する。
3つのベンチマークの実験では、TRIは全てのタスクで最先端のパフォーマンスを達成し、プロブレム当たりのトークン支出を31.2%削減した。
論文 参考訳（メタデータ） (2026-06-03T15:58:48Z) - Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。
各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。
これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
論文 参考訳（メタデータ） (2026-04-20T13:25:40Z) - Enhancing Fine-Grained Spatial Grounding in 3D CT Report Generation via Discriminative Guidance [16.566888073449714]
ラジオロジーレポート生成(RRG)のための視覚言語モデル(VLM)は、ボリュームスキャンから長めの胸部CTレポートを生成することができる。
既存の方法は2つの重要な制限に直面している: (i) トレーニングの監督は、しばしば粗くなり、きめ細かい属性や病理の場所を明示的に調整することなく、CTのボリューム全体を完全な自由テキストのレポートと整列する。
本稿では,フリーテキストレポートから微細なキューを蒸留し,レポート生成をガイドするプラグイン・アンド・プレイフレームワークであるPrompt Dropout (DCP-PD) を用いたemphDiscrimi Cue-Promptingを提案する。
論文 参考訳（メタデータ） (2026-04-12T03:25:41Z) - DINOv3 with Test-Time Calibration for Automated Carotid Intima-Media Thickness Measurement on CUBS v1 [5.343632486602401]
DINOv3をベースとした頸動脈内膜-中膜複合体の分断とその後のCIMT測定のためのフレームワークを開発した。
以上の結果から,DINOv3をベースとしたアプローチは,臨床的に関係のある$sim$0.1 mmに設定できる。
そこで本研究では,視覚基盤モデルを用いたCIMT測定の可能性について検討した。
論文 参考訳（メタデータ） (2026-03-11T03:33:04Z) - R$^{2}$Seg: Training-Free OOD Medical Tumor Segmentation via Anatomical Reasoning and Statistical Rejection [45.33258156568741]
医療画像セグメンテーションの基礎モデルは、アウト・オブ・ディストリビューション・シフトの下で苦労する。
R$2$Segは強力なOOD腫瘍セグメンテーションのためのトレーニング不要のフレームワークである。
論文 参考訳（メタデータ） (2025-11-16T17:15:52Z) - Regional Attention-Enhanced Swin Transformer for Clinically Relevant Medical Image Captioning [4.754208048304996]
軽量な地域アテンションモジュールを備えたSwin-BARTエンコーダデコーダシステムを提案する。
我々のモデルは、コンパクトで解釈可能なまま、最先端のセマンティック忠実性を達成する。
提案した設計は、正確な、臨床的に言い換えられたキャプションと透明な地域属性をもたらす。
論文 参考訳（メタデータ） (2025-11-13T02:55:32Z) - Real-time nonlinear inversion of magnetic resonance elastography with operator learning [0.06797079068199119]
oNLIフレームワークは、NLIに匹敵する空間精度を持つエラストグラムのリアルタイムMREインバージョン(30,000倍高速化)を可能にする。
MRE文学におけるソフト事前正規化に類似した構造的事前機構が,空間的精度を向上させるために組み込まれている。
論文 参考訳（メタデータ） (2025-10-03T08:55:40Z) - Depth-Sequence Transformer (DST) for Segment-Specific ICA Calcification Mapping on Non-Contrast CT [38.85617601239779]
従来の3Dモデルは、縮小されたボリュームや分離されたパッチを処理せざるを得ない。
我々は,3次元課題を1次元軸方向に沿ったtextbfParallel Probabilistic Landmark Localizationタスクとして再構成する。
フル解像度CTボリュームを2次元スライスシーケンスとして処理するフレームワークである textbfDepth-Sequence Transformer (DST) を提案する。
論文 参考訳（メタデータ） (2025-07-10T23:12:12Z) - Advanced Deep Learning Techniques for Automated Segmentation of Type B Aortic Dissections [4.545298205355719]
B型大動脈解離切除のための深層学習パイプラインを4本開発した。
Dice Coefficients for TL, 0.88 $pm$ 0.18, 0.47 $pm$ 0.25であった。
論文 参考訳（メタデータ） (2025-06-27T13:38:33Z) - Towards a Holistic Framework for Multimodal Large Language Models in Three-dimensional Brain CT Report Generation [42.06416052431378]
2Dラジオグラフィーキャプションは、ボリューム3D解剖学における現実の診断課題を反映するものではない。
我々は18,885組の3D-BrainCTデータセットを収集し,臨床ビジュアルインストラクション・チューニングを用いて,脳波モデルを用いて放射線治療を施した3D脳CTレポートを作成した。
私たちの研究は、3Dの脳CTデータセットのキュレーション、微調整による解剖学的意味のある言語モデル、堅牢な放射線学評価指標の提案など、総合的な枠組みを具現化したものです。
論文 参考訳（メタデータ） (2024-07-02T12:58:35Z) - CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios [53.94122089629544]
我々は,CT-GLIP(Grounded Language- Image Pretraining with CT scans)を導入する。
本手法は,104臓器にわたる17,702症例を対象に,44,011例の臓器レベルの視覚テキストペアからなるマルチモーダルCTデータセットを用いて訓練し,自然言語を用いて臓器と異常をゼロショットで識別できることを実証した。
論文 参考訳（メタデータ） (2024-04-23T17:59:01Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z)
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。