Fugu-MT 論文翻訳(概要): Toward Vision Language Model-based Assessment of Clinical Quality and Usability of LGE-MR Images for Cardiac Ablation Planning

論文の概要: Toward Vision Language Model-based Assessment of Clinical Quality and Usability of LGE-MR Images for Cardiac Ablation Planning

arxiv url: http://arxiv.org/abs/2608.21180v1
Date: Fri, 21 Aug 2026 14:51:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-24 14:49:32.61174
Title: Toward Vision Language Model-based Assessment of Clinical Quality and Usability of LGE-MR Images for Cardiac Ablation Planning
Title（参考訳）: LGE-MR画像を用いた心臓アブレーション計画のためのビジョン言語モデルによる臨床品質と有用性の評価に向けて
Abstract要約: 左心房LGE-MRIにおける画像品質評価のための2段階視覚言語モデル(VLM)を提案する。本研究では,左心房LGE-MRIにおける画像品質評価のための2段階視覚言語モデル(VLM)を提案する。
参考スコア（独自算出の注目度）: 0.7394388288509157
License: http://creativecommons.org/licenses/by/4.0/
Abstract: LGE cardiac MRI is widely used for left atrial fibrosis assessment and ablation planning in atrial fibrillation patients as knowledge of fibrotic tissue regions identified from LGE-MRI is critical for catheter ablation. Often, poor quality images used during ablation planning can cause mis-localization of ablation targets, directly impacting procedure safety and outcome. The decision of whether a scan meets the minimum quality threshold for ablation planning is currently made informally by the reviewing radiologist and is not captured by any automated system, yet it is arguably the most safety-critical output of the image quality assessment (IQA) process. However, variations in image quality caused by noise, motion artifacts, and poor boundary definition significantly compromise the reliability of downstream segmentation and clinical decision-making tasks. Manual quality assessment by expert radiologists is subjective and difficult to scale, while existing automated methods produce scalar scores without interpretable clinical reasoning. In this work, we propose a two-stage vision language model (VLM) framework for clinically grounded image quality assessment of left atrial LGE-MRI. In the first stage, a fine-tuned VLM generates structured radiology-style quality reports predicting five radiologist-defined criteria: Noise, Motion Artifact, LA Boundary Accuracy, PV Region Accuracy, and Under-segmentation Severity. In the second stage, a GPT-based reasoning module maps the predicted quality and reports to a structured quality scores and binary clinical usability decision for ablation planning. We curate a dataset of 60 annotated image slice-text pairs from 20 patients and benchmark four state-of-the-art VLM architectures. InternVL2 achieves the highest criterion-level accuracy (Avg ACC=0.65, PLCC=0.79), while DeepSeek achieves perfect clinical usability agreement (Acc=1.00, kappa=1.00).
Abstract（参考訳）: LGE-MRIから同定した線維組織領域の知識はカテーテルアブレーションに重要であるため,左心房線維化評価や心房細動計画に広く用いられている。アブレーション計画で使用される画質の悪い画像は、しばしばアブレーション目標の非局在化を引き起こし、手順の安全性と結果に直接影響を及ぼす。検診がアブレーション計画の最低品質基準を満たしているかどうかの判断は、現在、放射線技師によって非公式に行われ、自動化されたシステムでは捕捉されないが、画像品質評価(IQA)プロセスの最も安全性に重要な出力であることは間違いない。しかし, ノイズ, モーションアーティファクト, 境界定義の低さによる画像品質の変化は, 下流セグメンテーションの信頼性や臨床的意思決定のタスクを著しく損なう。専門の放射線技師による手動品質評価は主観的かつスケールが難しいが,既存の自動化手法では,解釈可能な臨床推論を伴わないスカラースコアが生成される。本研究では,左心房LGE-MRIにおける画像品質評価のための2段階視覚言語モデル(VLM)を提案する。第1段階では、微調整されたVLMは、ノイズ、モーションアーティファクト、LA境界精度、PV領域精度、およびアンダーセグメンテーションの5つの基準を予測して、構造化された放射線学スタイルの品質レポートを生成する。第2段階では、GPTベースの推論モジュールが予測品質をマッピングし、構造化された品質スコアと、アブレーション計画のためのバイナリ臨床使用性判定にレポートする。 20人の患者から60の注釈付き画像スライステキストペアのデータセットをキュレートし、4つの最先端のVLMアーキテクチャをベンチマークする。 InternVL2は最高基準レベルの精度(Avg ACC=0.65, PLCC=0.79)を達成し、DeepSeekは完全な臨床使用性合意(Acc=1.00, kappa=1.00)を達成している。

関連論文リスト

Beyond Fluency: A Clinical Benchmark and Anomaly-Enhanced Baseline for Spine MRI Report Generation [11.89113336167412]
我々は、診断精度に焦点をあてた腰椎MRIで、最先端のビジョン・ランゲージモデル(VLM)をベンチマークした。本稿では,VLM入力を空間的局所化,ディスクレベルの異常なヒートマップで拡張するアーキテクチャに依存しないフレームワークを提案する。
論文参考訳（メタデータ） (2026-08-07T11:21:33Z)
ClinReadNet: A clinical reading-inspired network for low-dose abdominal CT image quality assessment [20.78704478280648]
腹部CTでは,低用量非参照画像品質評価モデルの開発が,CT画像品質を評価するための医師の読書習慣を模倣している。本稿では,放射線科医の臨床読解論理と整合した新しい深層学習フレームワーク,ClinReadNetを提案する。 LDCTIQAG2023データセットで行った実験により,提案手法が現在のSOTA(State-of-the-art)性能を実現することを示す。
論文参考訳（メタデータ） (2026-06-09T03:34:11Z)
Look-Closer-Then-Diagnose: Confidence-Aware Ultrasound VQA via Active Zooming [41.40761036883243]
VLM(Vision-Language Models)は、医学的な視覚的質問応答がかなり進歩しているが、超音波におけるその性能は依然として最適である。本稿では,ソノグラフィーの認知ワークフローを考慮したフレームワークを提案する。まず,構造的Zoom-then-Diagnoseパラダイムを導入する。
論文参考訳（メタデータ） (2026-05-20T19:06:34Z)
Radiology Report Generation for Low-Quality X-Ray Images [47.455316078409]
VLM(Vision-Language Models)は、非常に高度な自動放射線診断レポート生成(RRG)を備えている。既存の手法では、暗黙的に高品質な入力を仮定し、実際の臨床環境で流行するノイズやアーティファクトを見渡す。本稿では,画像品質の変動を考慮したロバストなレポート生成フレームワークを提案する。
論文参考訳（メタデータ） (2026-04-11T12:42:37Z)
ODySSeI: An Open-Source End-to-End Framework for Automated Detection, Segmentation, and Severity Estimation of Lesions in Invasive Coronary Angiography Images [23.05175906366438]
Invasive Coronary Angiography (ICA) は冠動脈疾患の診断における臨床標準である。本研究では,ICA画像の自動検出,病変,重症度推定のためのオープンソースフレームワークODySSeIを紹介する。 ODySSeIは、新しいピラミッド拡張スキーム(PAS)を用いて訓練された深層学習に基づく病変検出と病変分割モデルを統合する我々のLSE技術は,MLDの予測値が,対応する基底真理からpm$2-3ピクセルしか差がないため,精度が高い。
論文参考訳（メタデータ） (2026-03-20T15:07:15Z)
A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文参考訳（メタデータ） (2025-12-15T10:22:43Z)
Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
論文参考訳（メタデータ） (2025-11-30T12:45:02Z)
LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文参考訳（メタデータ） (2025-08-23T07:21:23Z)
A Clinically-Grounded Two-Stage Framework for Renal CT Report Generation [4.408787333571913]
本稿では,自動腎CTレポート作成のための枠組みを提案する。ステージ1では、マルチタスク学習モデルが、各2次元画像から構造化された臨床特徴を検出する。ステージ2では、視覚言語モデルが画像と検出された特徴に条件付けされた自由テキストレポートを生成する。
論文参考訳（メタデータ） (2025-06-30T07:45:02Z)
Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
論文参考訳（メタデータ） (2025-05-12T01:57:25Z)
Class-Aware Cartilage Segmentation for Autonomous US-CT Registration in Robotic Intercostal Ultrasound Imaging [39.597735935731386]
形状制約後処理を施したクラスアウェア軟骨骨分節ネットワークを提示し, 患者固有の骨骨格を捕捉する。一般的なテンプレートから個々の患者へ、宿主間走査経路をマッピングするために、密度の高い骨格グラフに基づく非剛性登録が提示される。提案手法は,CTテンプレートから個々の患者へのパスを,頑健かつ正確にマッピングできることを示す。
論文参考訳（メタデータ） (2024-06-06T14:15:15Z)
Two-Stage Deep Learning Framework for Quality Assessment of Left Atrial Late Gadolinium Enhanced MRI Images [0.22585387137796725]
LGE-MRI画像の自動診断品質評価のための2段階のディープラーニング手法を提案する。本発明の方法は、関連する領域にフォーカスする左心房検出器と、診断品質を評価するディープネットワークとを含む。
論文参考訳（メタデータ） (2023-10-13T01:27:36Z)

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。