論文の概要: ALTER: Modeling Longitudinal Changes via Regional Differencing for 3D CT Report Generation
- arxiv url: http://arxiv.org/abs/2608.05615v1
- Date: Thu, 06 Aug 2026 05:27:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 17:43:06.701185
- Title: ALTER: Modeling Longitudinal Changes via Regional Differencing for 3D CT Report Generation
- Title（参考訳）: ALTERによる3次元CT画像生成のための局所ディフレクションによる経時的変化のモデル化
- Abstract要約: 解剖学的に局在した時間的エビデンス表現(ALTER)
General Prior Integration (GPI) は、CTを取り入れ、現在の検査の歴史的文脈を確立するために報告する。
Regional Proxy Difference (RPD)により、各解剖学的領域は、前のボリュームの単一の共有符号化から歴史的プロキシを検索し、局所化された間隔の証拠を導き出すことができる。
Interval Change Fusion (ICF) は、地域差のある現在の異常状態を変化認識ソフトプロンプトに変換し、レポート生成を誘導する。
- 参考スコア（独自算出の注目度）: 2.9905735389905153
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computed tomography (CT) is widely used for clinical diagnosis and longitudinal follow-up, yet automatically generating accurate and complete radiology reports from three-dimensional (3D) CT remains challenging. Existing methods improve fine-grained correspondence between images and text by modeling anatomical regions, but remain centered on the current examination. Consequently, patient-specific longitudinal changes within individual regions remain insufficiently modeled. Meanwhile, interval changes are often distributed across multiple anatomical regions, complicating a coherent assessment of the overall longitudinal state. We propose Anatomically Localized Temporal Evidence Representation (ALTER) to address these limitations. Global Prior Integration (GPI) incorporates the prior CT and report to establish historical context for the current examination. Regional Proxy Differencing (RPD) enables each current anatomical region to retrieve a historical proxy from a single shared encoding of the prior volume and to derive localized interval evidence. Interval Change Fusion (ICF) further combines current abnormality states with region-distributed differences, converting their joint representation into change-aware soft prompts that guide report generation. ALTER achieves state-of-the-art results on most evaluation metrics across the RadGenome-ChestCT validation and CTRG-Chest-548K test sets. Code and data preprocessing details are available at https://github.com/peytonkarlie/ALTER/tree/main.
- Abstract（参考訳）: CT(CT)は臨床診断や経時的経過観察に広く用いられているが,3次元CTからの正確な完全X線像を自動生成することは困難である。
既存の手法では、解剖学的領域をモデル化することで、画像とテキストの微妙な対応性を向上するが、現在の検査に集中している。
その結果、患者固有の地域ごとの経年変化は、十分にモデル化されていない。
一方、間隔の変化はしばしば複数の解剖学的領域に分散し、全体縦状態のコヒーレントな評価を複雑にする。
これらの制約に対処するために、解剖学的に局在した時間的証拠表現(ALTER)を提案する。
グローバル・プライオリティ・インテグレーション(GPI)は,従来のCTとレポートを組み込んで,現在の検査の歴史的文脈を確立する。
Regional Proxy Difference (RPD)により、各解剖学的領域は、前のボリュームの単一の共有符号化から歴史的プロキシを検索し、局所化された間隔の証拠を導き出すことができる。
インターバル・チェンジ・フュージョン(ICF)は、現在の異常状態と地域差を結合し、共同表現を変更対応のソフトプロンプトに変換してレポート生成を誘導する。
ALTERはRadGenome-ChestCTバリデーションとCTRG-Chest-548Kテストセットにまたがって、ほとんどの評価指標の最先端結果を達成する。
コードとデータ前処理の詳細はhttps://github.com/peytonkarlie/ALTER/tree/main.comで確認できる。
関連論文リスト
- How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。
このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
論文 参考訳（メタデータ） (2026-08-13T14:35:20Z) - CT-$Δ$Bench: A Benchmark for Longitudinal 3D Medical Imaging Difference Reporting with Vision-Language Models [21.022823890203597]
縦断的画像差分報告とは、あるモデルが、同じ患者から2つの時間的に分離されたスキャンを受け取り、臨床的に有意義な報告を生成するタスクである。
患者レベル分割による情報漏洩防止のための専用ベンチマークであるCT-$Benchを紹介する。
また,臨床的に有意な経年変化を捉え,医師の独立した検証を行うための変化認識尺度も開発した。
論文 参考訳（メタデータ） (2026-08-12T00:55:31Z) - Empirical investigation of 3D CT Foundation Models and Unsupervised Adaptation for Head and Neck Cancer Recurrence Prediction [0.5999777817331317]
頭頸部癌における再発無生存予測のための3次元CT基盤モデルのベンチマークを行った。
本研究は,画像分布の異なる一貫した特徴を同定することの難しさを明らかにした。
論文 参考訳（メタデータ） (2026-07-29T08:57:16Z) - GRCD: Grounded Region Change Detection for Multi-Finding Chest X-Ray Pairs [7.272024968089535]
GRCDはマルチフィンディング環境で胸部X線対から接地レポートを生成するためのフレームワークである。
まず、時間的胸部X線対の厳密な清浄なデータセットを構築した。
次に、解剖学的構造全体にわたる地域ごとの時間的変化をエンコードするリージョンガイド変更トークンモジュールを紹介します。
論文 参考訳（メタデータ） (2026-07-02T19:14:50Z) - SliceWorld: A Predictive and Controllable World-State Model for CT Report Generation [22.24208120178663]
我々は、軸方向CTスキャンをz軸に沿って順序付けられたシーケンスとして扱う、CT固有の世界状態フレームワークであるSliceWorldを提案する。
我々は,SliceWorldが自然言語生成の指標と臨床指向の自動評価を改善したことを示す。
論文 参考訳（メタデータ） (2026-05-23T03:18:56Z) - MedScribe: Clinically Grounded CT Reporting through Agentic Workflows [13.40306812882295]
視覚言語モデル(VLM)は、自動放射線診断レポート生成の可能性を示している。
我々は,仮説駆動型フレームワークであるMedScribeを紹介し,レポート生成を反復的証拠取得プロセスとして再構築する。
論文 参考訳（メタデータ） (2026-05-03T08:32:40Z) - 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) - A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。
完全解剖を分割できる連続学習駆動CTモデルを提案する。
単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
論文 参考訳（メタデータ） (2025-03-16T23:55:02Z) - HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。
胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。
特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
論文 参考訳（メタデータ） (2024-12-15T06:04:16Z) - 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) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳（メタデータ） (2021-11-24T01:14:33Z) - 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。