論文の概要: DistMedVL: Distributional Vision-Language Alignment for Uncertainty-Aware Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2608.05683v1
• Date: Thu, 06 Aug 2026 07:17:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.70748
• Title: DistMedVL: Distributional Vision-Language Alignment for Uncertainty-Aware Medical Image Segmentation
• Title（参考訳）: DistMedVL:不確実性を考慮した医用画像分割のための分布視覚言語アライメント
• Abstract要約: 視覚的およびテキスト的表現の相互アライメントは、マルチモーダルな医用画像理解に不可欠である。 既存の視覚言語セグメンテーション法は、不明瞭な境界からアレター的不確実性を見落としている決定論的クロスモーダルマッチングに依存している。 本稿では,凍結エンコーダ上に軽量な確率的クロスモーダルアダプタ(PCM-Adapter)を導入し,表現の不確実性を明示的にモデル化する確率的視覚言語フレームワークであるDistMedVLを提案する。
• 参考スコア（独自算出の注目度）: 16.13084489571617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-modal alignment of visual and textual representations is fundamental to multimodal medical image understanding, yet remains hindered by uncertainty in both modalities under real-world clinical conditions. Existing vision-language segmentation methods rely on deterministic cross-modal matching, which overlooks aleatoric uncertainty from ambiguous boundaries and epistemic uncertainty from limited training data, leading to fragile performance under domain shift. To address this issue, we propose DistMedVL, a probabilistic vision-language framework that introduces a lightweight Probabilistic Cross-Modal Adapter (PCM-Adapter) upon frozen encoders to explicitly model representational uncertainty. Specifically, the PCM-Adapter comprises two sequential modules for progressive probabilistic alignment. We first devise a Mahalanobis Alignment Module (MAM) that models textual tokens as Gaussian distributions and computes patch-text compatibility via Mahalanobis distance, yielding variance-conditioned matching that downweights unreliable feature dimensions. Moreover, we devise a Distribution Flow Module (DFM) that estimates modality-wise confidence parameters and performs vision-guided refinement of textual distributions, accommodating distributional variation across imaging modalities. Extensive experiments across eight medical segmentation benchmarks demonstrate that DistMedVL outperforms state-of-the-art methods with only 6.3M trainable parameters, exhibiting superior data efficiency, perturbation robustness and cross-dataset generalization.
• Abstract（参考訳）: 視覚的およびテキスト的表現の相互アライメントは、マルチモーダルな医用画像理解の基礎であるが、実際の臨床条件下では、両方のモダリティの不確実性によって妨げられている。 既存の視覚言語セグメンテーション手法は、あいまいな境界からのアレター的不確実性や限られたトレーニングデータからのエピステマティック不確実性を見落とし、ドメインシフト時の脆弱なパフォーマンスをもたらす決定論的クロスモーダルマッチングに依存している。 この問題に対処するため、我々は、表現の不確実性を明示的にモデル化するために、凍結エンコーダ上に軽量な確率的クロスモーダルアダプタ(PCM-Adapter)を導入する確率的視覚言語フレームワークであるDistMedVLを提案する。 具体的には、PCM-Adapterはプログレッシブ確率アライメントのための2つの逐次モジュールからなる。 まず,テキストトークンをガウス分布としてモデル化したマハラノビスアライメントモジュール(MAM)を考案し,マハラノビス距離によるパッチテキストの整合性を計算する。 さらに、モダリティワイドな信頼度パラメータを推定し、画像のモダリティにまたがる分布変化を調節し、視覚誘導によるテクスト分布の洗練を行う分散フローモジュール(DFM)を考案した。 8つの医学セグメンテーションベンチマークによる大規模な実験により、DistMedVLは6.3Mのトレーニング可能なパラメータで最先端の手法より優れており、優れたデータ効率、摂動堅牢性、クロスデータセットの一般化を示している。

関連論文リスト

• Vision-Core Guided Contrastive Learning for Balanced Multi-modal Prognosis Prediction of Stroke [4.272151451487239]
  本稿では,虚血性脳梗塞に対する新しい3モーダル融合モデルを提案する。 脳MRIから半構造化診断テキストを自動的に生成するために,Large Language Model (LLM) を用いる。 また、ビジョンコンディションドデュアルアライメント・フュージョンモジュールと呼ばれるコアコンポーネントを設計する。
  論文  参考訳（メタデータ） (2026-05-14T11:28:57Z)
• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• MMEB-V3: Measuring the Performance Gaps of Omni-Modality Embedding Models [70.34265674686516]
  マルチモーダル埋め込みモデルは、テキスト、画像、ビデオ、オーディオなどの異種入力を共有意味空間にマッピングすることを目的としている。 本稿では,テキスト,画像,ビデオ,オーディオ,エージェント中心のシナリオにまたがる埋め込みを評価するベンチマークであるMMEB-V3を紹介する。 本研究は, 完全モダリティ埋め込みの系統的解析を行い, 3つの重要な知見を同定する。
  論文  参考訳（メタデータ） (2026-04-25T14:15:05Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• MedCLIPSeg: Probabilistic Vision-Language Adaptation for Data-Efficient and Generalizable Medical Image Segmentation [8.913012426353154]
  MedCLIPSegは、CLIPを堅牢で、データ効率が高く、不確実性を認識した医療画像セグメンテーションに適応する新しいフレームワークである。 提案手法では,確率的クロスモーダルアテンションによるパッチレベルのCLIP埋め込みを活用し,画像とテキストトークン間の双方向インタラクションを実現する。
  論文  参考訳（メタデータ） (2026-02-23T23:46:05Z)
• Uncertainty-Aware Vision-Language Segmentation for Medical Imaging [12.545486211087791]
  医療診断のための新しい不確実性を考慮したマルチモーダルセグメンテーションフレームワークを提案する。 本稿では,高効率なクロスモーダル融合を実現するために,軽量なステートスペースミキサ(SSMix)を備えたModality Decoding Attention Block (MoDAB)を提案する。 本研究は,視覚言語医学的セグメンテーションタスクにおいて,不確実性モデリングと構造化モダリティアライメントを取り入れることの重要性を強調した。
  論文  参考訳（メタデータ） (2026-02-16T06:27:51Z)
• DiA-gnostic VLVAE: Disentangled Alignment-Constrained Vision Language Variational AutoEncoder for Robust Radiology Reporting with Missing Modalities [3.5045368873011924]
  本稿では,Dentangled Alignment を用いた頑健な放射線診断を行う DiA-gnostic VLVAE を提案する。 我々のフレームワークは、共有機能とモダリティ固有の機能を混在させることにより、モダリティの欠如に耐性を持つように設計されている。 コンパクトなLLaMA-Xデコーダは、これらの不整合表現を使用してレポートを効率的に生成する。
  論文  参考訳（メタデータ） (2025-11-08T11:08:27Z)
• Toward Robust Medical Fairness: Debiased Dual-Modal Alignment via Text-Guided Attribute-Disentangled Prompt Learning for Vision-Language Models [34.42749153279352]
  視覚言語モデル(VLM)は強力な一般化を示し、テキストはアイデンティティ属性をエンコードする。 本稿では,マルチモーダルなプロンプト学習フレームワークであるDualFairVLを提案する。 実験により、DualFairVLは、イン・オブ・オブ・ディストリビューション設定とアウト・オブ・ディストリビューション設定の両方で、最先端の公正性と正確性を達成することが示された。
  論文  参考訳（メタデータ） (2025-08-26T10:01:23Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Modality Prompts for Arbitrary Modality Salient Object Detection [57.610000247519196]
  本論文は、任意のモーダリティ・サリエント物体検出(AM SOD)の課題について述べる。 任意のモダリティ、例えばRGBイメージ、RGB-Dイメージ、RGB-D-Tイメージから有能なオブジェクトを検出することを目的としている。 AM SODの2つの基本的な課題を解明するために,新しいモード適応トランス (MAT) を提案する。
  論文  参考訳（メタデータ） (2024-05-06T11:02:02Z)
• Multi-task Paired Masking with Alignment Modeling for Medical Vision-Language Pre-training [55.56609500764344]
  本稿では,マルチタスク・ペアド・マスキング・アライメント(MPMA)に基づく統合フレームワークを提案する。 また, メモリ拡張クロスモーダルフュージョン (MA-CMF) モジュールを導入し, 視覚情報を完全統合し, レポート再構築を支援する。
  論文  参考訳（メタデータ） (2023-05-13T13:53:48Z)
• Toward Unpaired Multi-modal Medical Image Segmentation via Learning Structured Semantic Consistency [24.78258331561847]
  本稿では,異なるモダリティの相互利益を学習し,不自由な医療画像に対してより良いセグメンテーション結果を得るための新しい手法を提案する。 我々は、慎重に設計された外部注意モジュール(EAM)を利用して、セマンティッククラス表現とそれらの異なるモダリティの相関を調整します。 提案手法の有効性を2つの医療画像セグメンテーションシナリオで実証した。
  論文  参考訳（メタデータ） (2022-06-21T17:50:29Z)

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。