論文の概要: Counterfactual Anatomy-guided Spatial-Temporal Decoding for Annotation-Free Hallucination Mitigation in Medical VLMs

• arxiv url: http://arxiv.org/abs/2608.17427v1
• Date: Tue, 18 Aug 2026 06:45:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.236588
• Title: Counterfactual Anatomy-guided Spatial-Temporal Decoding for Annotation-Free Hallucination Mitigation in Medical VLMs
• Title（参考訳）: 医療用VLMにおける注釈なし幻覚緩和のための対物的解剖誘導時空間デコード
• Abstract要約: 我々は,CAST(Counterfactal Anatomy-Guided Space-Temporal Decoding)を提案する。 CASTは推論中に完全に動作し、解剖学的根拠による幻覚の緩和のために手動のアノテーションを必要としない。 CASTは一貫して強力なベースラインを上回り、地上の真実に依存してデコード戦略を上回ります。
• 参考スコア（独自算出の注目度）: 21.705626227651624
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical vision-language models (Med-VLMs) have demonstrated strong performance on medical visual question answering, yet they remain prone to hallucination, generating clinically unsupported statements that are insufficiently grounded in image evidence. Mitigation methods applied during decoding offer a practical solution, but they typically lack anatomical awareness or rely heavily on ground truth annotations, which limits their applicability. We propose Counterfactual Anatomy-guided Spatial-Temporal decoding (CAST), a framework that operates entirely during inference and requires no manual annotations for anatomically grounded hallucination mitigation. CAST automatically discovers anatomical regions relevant to the given query through broad medical segmentation. It then selects a compact, causally informative area using counterfactual intervention based on the drop in answer likelihood under occlusion. Guided by this chosen region, CAST performs a unified contrastive decoding process, combining classifier-free guidance to correct spatial attention with stepwise temporal contrast to regulate generation dynamics. Experiments on the SLAKE and MIMIC-CXR datasets across three Med-VLMs demonstrate that CAST consistently outperforms strong baselines and surpasses decoding strategies reliant on ground truth. Our results indicate that compact, automatically selected regions provide highly effective contrastive guidance without expert annotations, offering a practical and generalizable solution for improving spatial grounding and reducing hallucinations. Code is available at https://github.com/csyifan/CAST.
• Abstract（参考訳）: 医用視覚言語モデル (Med-VLMs) は、医学的視覚的質問応答において強い性能を示してきたが、幻覚を起こしやすいままであり、画像証拠に不十分な臨床的に支持されたステートメントを生成する。 復号の際に適用される緩和法は実用的な解決策を提供するが、解剖学的な認識が欠如したり、真理の注釈に大きく依存しているため、適用性が制限される。 提案するCAST(Counterfactual Anatomy-Guided Space-Temporal Decoding)は,推論中に完全に動作し,解剖学的根拠による幻覚軽減のための手動アノテーションを必要としないフレームワークである。 CASTは、広範囲の医学的セグメンテーションを通じて、与えられたクエリに関連する解剖学的領域を自動的に発見する。 そして、閉塞下の解答可能性の低下に基づいて、反ファクト的介入を用いてコンパクトで因果的情報的領域を選択する。 この選択された領域によって導かれ、CASTは統一されたコントラストデコーディングプロセスを実行し、分類器のないガイダンスを組み合わせて空間的注意を段階的に時間的に補正し、生成ダイナミクスを規制する。 3つのMed-VLMにわたるSLAKEとMIMIC-CXRデータセットの実験は、CASTが強いベースラインを一貫して上回り、地上の真実に依存した復号戦略を超越していることを示した。 その結果,コンパクトで自動選択された領域は,専門家のアノテーションを使わずに極めて効果的なコントラストガイダンスを提供し,空間的接地の改善と幻覚の低減のための実用的で一般化可能なソリューションを提供することがわかった。 コードはhttps://github.com/csyifan/CASTで入手できる。

関連論文リスト

• SurgNarrator: A Generative Retrieval Framework for Surgical Video Understanding [35.05885138023876]
  本稿では,外科的ビデオ理解に適した新しい生成検索フレームワークであるSurgNarratorを提案する。 臨床的に意味のある検索空間を定義するために,外科的接頭辞から手術中心の語彙を高度に構築する。 推論中、階層的で手続き対応の検索戦略は、検索空間を関連するプロシージャタイプに絞り込み、高速で効果的な応答を提供する。
  論文  参考訳（メタデータ） (2026-08-05T10:39:19Z)
• 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)
• KEPIL: Knowledge-Enhanced Prompt-Image Learning for Prompt-Robust Disease Detection [6.447908430647854]
  放射線学的所見は、実際には長い尾を持つが、いくつかの条件は表現されておらず、ゼロショット推論が不可欠である。 我々は、ゼロショットの一般化を安定させるために、キュレートされた医療知識を統合するプロンプトロバストフレームワークであるtextitKEPILを提案する。
  論文  参考訳（メタデータ） (2026-05-09T19:29:01Z)
• Learning from Noisy Prompts: Saliency-Guided Prompt Distillation for Robust Segmentation with SAM [46.344226429758606]
  Segment Anything Model (SAM)は強力なゼロショット機能を提供するが、弱い、汎用的でノイズの多いプロンプトの下で崩壊し、実際の臨床を支配している。 SPDは、信頼できないキューを堅牢なガイダンスに変換する、塩分誘導型プロンプト蒸留フレームワークである。 SPDは、既存のSAM適応を一貫して上回り、リージョンベースとバウンダリベースの両方で大きな利益をもたらす。
  論文  参考訳（メタデータ） (2026-04-25T14:09:11Z)
• Divide-then-Diagnose: Weaving Clinician-Inspired Contexts for Ultra-Long Capsule Endoscopy Videos [83.01543151239254]
  我々は、診断駆動型CEビデオ要約という新しいタスクを定義する。 VideoCAPは、診断駆動アノテーションを備えた最初のCEデータセットである。 DiCEはクリニックにインスパイアされたフレームワークで、標準的なCE読み込みワークフローを反映している。
  論文  参考訳（メタデータ） (2026-04-23T16:07:51Z)
• MedScope: Incentivizing "Think with Videos" for Clinical Reasoning via Coarse-to-Fine Tool Calling [51.31633278218137]
  MedScope(メドスコープ)は、ロングフォームなプロシージャを追求する粗大な証拠を実行する、ツールを用いた臨床ビデオ推論モデルである。 ClinVideoSuiteは、エビデンス中心の、きめ細かい臨床ビデオスイートだ。 フルできめ細かいビデオ理解ベンチマークでは、MedScopeは最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-11T09:47:02Z)
• Anatomical Region-Guided Contrastive Decoding: A Plug-and-Play Strategy for Mitigating Hallucinations in Medical VLMs [20.507007953026346]
  Anatomical Region-Guided Contrastive Decoding (ARCD) は、目標とする地域固有のガイダンスを提供することで幻覚を緩和するプラグアンドプレイ戦略である。 本手法は, 地域理解の向上, 幻覚の低減, 総合的診断精度の向上に有効である。
  論文  参考訳（メタデータ） (2025-12-19T03:11:20Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• MambaEviScrib: Mamba and Evidence-Guided Consistency Enhance CNN Robustness for Scribble-Based Weakly Supervised Ultrasound Image Segmentation [15.766686386490234]
  スパースアノテーションに基づく弱教師付き学習(WSL)は、性能向上を実現している。 本研究は,超音波画像分割作業におけるスクリブルベースWSLの導入を試みる。 本稿では,意思決定境界付近の予測を効果的に活用することを提案する。
  論文  参考訳（メタデータ） (2024-09-28T14:50:45Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)

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。