論文の概要: How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning?
- arxiv url: http://arxiv.org/abs/2608.13309v1
- Date: Thu, 13 Aug 2026 14:35:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.560023
- Title: How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning?
- Title（参考訳）: 縦断的MRI疾患進行推論における基礎モデルの有用性
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 49.14050864978079
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic Resonance Imaging (MRI) interpretation is fundamental to clinical decision-making, requiring radiologists to integrate multi-view anatomical planes across sequential timepoints while precisely localizing interval changes. However, existing vision-language benchmarks remain confined to single-timepoint, single-view interpretation, failing to capture the temporal-spatial reasoning essential to radiologic practice. We introduce the Time-Aware Multi-View MRI Benchmark, an evaluation framework unifying multi-view anatomical input, temporal reasoning across longitudinal scans, and structured localization guidance. The benchmark comprises 3,920 expert-verified question-answer pairs derived from 890 patients across over 3,200 longitudinal MRI timepoints, drawn from seven clinical cohorts covering glioblastoma, neurodegeneration, vestibular schwannoma, and brain metastases, in open-ended, multiple-choice, and binary formats, requiring models to identify anatomical regions of maximal change, characterize progression across sequences and views, and provide structured guidance specifying boundaries, imaging features, and confounders. Experiments across 16 vision-language models reveal moderate temporal alignment but systematic failure on change direction recognition and volumetric quantification, while multi-view inputs improve spatial localization yet degrade temporal reasoning in compact architectures. Our benchmark provides a systematic framework for evaluating progression tracking, interval change localization, and temporal ordering, which are essential for clinical deployment. Code, evaluation splits, and the dataset are available at: https://github.com/wafaAlghallabi/Time-Aware-MRI.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)の解釈は臨床診断の基礎であり、放射線技師は連続した時間点にまたがって複数の解剖学的平面を正確に位置決めしながら統合する必要がある。
しかし、既存の視覚言語ベンチマークは単一視点の単一視点の解釈に限られており、放射学的な実践に不可欠な時間空間的推論を捉えられなかった。
我々は、時系列スキャンにおける時間的推論、構造的ローカライゼーションガイダンス、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ベンチマークを紹介する。
このベンチマークは、グリオ芽腫、神経変性、前庭神経腫、脳転移を含む7つの臨床コホートから抽出された3,920人のMRIタイムポイントにまたがる890人の患者から得られた3,920人の専門家による質問応答ペアからなる。
16の視覚言語モデルに対する実験では、時間的アライメントは適度だが、変化方向の認識と体積量化の体系的な失敗が示され、マルチビュー入力は空間的局所化を改善するが、コンパクトアーキテクチャでは時間的推論は低下する。
本ベンチマークは, 経過追跡, 間隔変化の局所化, 時間的順序付けなど, 臨床展開に不可欠なシステム的枠組みを提供する。
コード、評価の分割、データセットは、https://github.com/wafaAlghallabi/Time-Aware-MRIで入手できる。
関連論文リスト
- Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。
コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。
BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-09-14T10:21:23Z) - Closed-loop coupling of personalised and foundation models for real-time treatment guidance with MRI [0.0]
画像誘導療法は解剖学的構造のリアルタイムターゲティングに依存している。
運動の存在下では、画像の遅延は観察された解剖学と真の解剖学の時間的ずれを生じさせ、治療の精度を損なう。
本稿では,患者固有の時間的予測を連続的セグメンテーションに基づく解剖学的解釈と相乗するクローズドループ結合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-01T06:32:10Z) - Vision-Language Model-Guided Deep Unrolling Enables Personalized, Fast MRI [5.617068536645436]
PASS(Personalized, Anomaly-aware Sampling and reconStruction)は、タスク指向の高速イメージングのためのディープアンローリングネットワークをガイドするインテリジェントMRIフレームワークである。
PASSは、様々な解剖、コントラスト、異常、加速度因子にまたがる優れた画像品質を実現する。
この拡張は、微粒な異常検出、局所化、診断を含む下流診断タスクの改善に直接変換される。
論文 参考訳（メタデータ） (2026-04-08T09:10:30Z) - Temporal Inversion for Learning Interval Change in Chest X-Rays [3.686530147760242]
本稿では,時間的反転を用いて画像ペアを反転させるフレームワークであるTILA(Temporal Inversion-aware Learning and Alignment)を監視信号として紹介する。
TILAは、事前学習、微調整、推論にまたがる逆認識の目的を統合し、従来の外観モデリングと時間順の明示的な学習を補完する。
また、時間的インバージョン下での順序の感度と一貫性を評価するための統一評価プロトコルを提案し、一般的なプロトコルを用いて構築された評価セットであるMS-CXR-Tretrievalを導入する。
論文 参考訳（メタデータ） (2026-04-06T09:52:26Z) - Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。
患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
論文 参考訳（メタデータ） (2026-02-02T13:07:52Z) - TemMed-Bench: Evaluating Temporal Medical Image Reasoning in Vision-Language Models [54.48710348910535]
既存の医学推論ベンチマークは、主に1回の訪問からの画像に基づいて患者の状態を分析することに焦点を当てている。
臨床訪問における患者の状態の変化を分析するための最初のベンチマークであるTemMed-Benchを紹介する。
論文 参考訳（メタデータ） (2025-09-29T17:51:26Z) - Temporally-Aware Diffusion Model for Brain Progression Modelling with Bidirectional Temporal Regularisation [7.097850157718258]
現在のアプローチでは、構造変化と時間間隔の関係を明示的に把握できない。
ほとんどのアプローチは2Dスライスベースのアーキテクチャに依存しており、3D解剖学的コンテキストを完全に無視している。
我々は,MRIボリュームの脳の進行を正確に予測する3次元時間認識拡散モデル(TADM-3D)を提案する。
論文 参考訳（メタデータ） (2025-09-03T08:51:38Z) - Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。
FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文 参考訳（メタデータ） (2025-06-10T18:40:20Z) - Capturing Longitudinal Changes in Brain Morphology Using Temporally Parameterized Neural Displacement Fields [1.8124328823188356]
時間パラメータ化ニューラル変位場を用いた構造変化をモデル化する新しい縦型登録法を提案する。
本手法が4次元脳MRレジストレーションに及ぼす影響を実証する。
論文 参考訳（メタデータ） (2025-04-13T10:38:00Z) - CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。
提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
論文 参考訳（メタデータ） (2024-11-01T15:54:07Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。
空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。
時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
論文 参考訳（メタデータ） (2024-05-30T03:15:09Z)
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。