論文の概要: Predicting Radiologist Expertise from 3D Gaze Patterns During CT Interpretation
- arxiv url: http://arxiv.org/abs/2608.23836v1
- Date: Mon, 24 Aug 2026 21:24:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.607693
- Title: Predicting Radiologist Expertise from 3D Gaze Patterns During CT Interpretation
- Title（参考訳）: CT解析における3次元注視パターンからの放射線技師の専門性予測
- Abstract要約: 胸部CTにおける専門知識分類のための視線インフォームド・トランスフォーマフレームワークを提案する。
経験の異なる5名の放射線科医の182名のCT読影セッションに対して,アプローチを訓練し,評価した。
- 参考スコア（独自算出の注目度）: 7.081571089895139
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate interpretation of volumetric CT requires efficient navigation of 3D image volumes and attention to diagnostically relevant regions. While eye-tracking has been widely studied in 2D medical imaging, its use for expertise assessment in CT settings remains limited. We propose a gaze-informed transformer framework for expertise classification in thoracic CT. Using a DINOv2 backbone, radiologist fixation patterns are integrated into volumetric feature learning through (1) a learnable log-space bias in self-attention and (2) gaze-weighted pooling of patch embeddings. We trained and evaluated our approach on 182 CT reading sessions from five radiologists with varying levels of experience. On a held-out test set, the model achieves an ROC-AUC of 0.91 and F1 score of 0.86, outperforming adapted methods. These findings suggest that incorporating visual search behavior into transformers may support objective, process-based expertise assessment in radiology. Code is available via https://github.com/leiluk1/GazeToSkill.
- Abstract（参考訳）: ボリュームCTの正確な解釈には、3次元画像ボリュームの効率的なナビゲーションと診断関連領域への注意が必要である。
視線追跡は2次元医用画像で広く研究されているが、CT設定における専門的評価のためにの使用は限られている。
胸部CTにおける専門知識分類のための視線インフォームド・トランスフォーマフレームワークを提案する。
DINOv2のバックボーンを用いて,(1)自己注意における学習可能な対数空間バイアス,(2)パッチ埋め込みの視線重み付けによるプールを通して,ラジオロジカル固定パターンをボリューム特徴学習に統合した。
経験の異なる5名の放射線科医の182名のCT読影セッションに対して,アプローチを訓練し,評価した。
ホールドアウトテストセットでは、ROC-AUCが0.91、F1スコアが0.86となり、適応された手法よりも優れた結果が得られる。
これらの結果から, 画像検索をトランスフォーマーに組み込むことにより, 放射線学における客観的なプロセスに基づく専門知識評価を支援する可能性が示唆された。
コードはhttps://github.com/leiluk1/GazeToSkill.comから入手できる。
関連論文リスト
- Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。
我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。
以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
論文 参考訳（メタデータ） (2026-04-08T17:47:35Z) - Organ-Aware Attention Improves CT Triage and Classification [0.7901846308308808]
市販のビジョン言語モデルは、3D解剖、プロトコルシフト、ノイズの多いレポート管理に苦しむ。
本研究は,CT-RATEとRADCHEST-CTの2つの胸部CTデータセットを用いた。
本稿では,Organ-Masked AttentionとOrgan-Scalar Fusionを組み合わせたエンコーダに依存しない臓器認識ヘッドORACLE-CTを提案する。
論文 参考訳（メタデータ） (2026-01-19T20:37:45Z) - CT-ScanGaze: A Dataset and Baselines for 3D Volumetric Scanpath Modeling [12.457017701871273]
我々は,CT-ScanGazeと呼ばれる,初めて公開された視線データセットをCT上に提示する。
次にCT-Searcherを紹介した。CTボリュームを処理し,放射線学的な3D固定シーケンスを生成するために設計された,新しい3Dスキャンパス予測器である。
論文 参考訳（メタデータ） (2025-07-16T19:21:05Z) - CT-Agent: A Multimodal-LLM Agent for 3D CT Radiology Question Answering [23.158482226185217]
放射線科医のCTスキャンにおける解剖学的領域に関する質問に答える視覚的質問応答システム(VQA)が必要不可欠である。
既存のVQAシステムは,(1)解剖学的複雑性によりCT画像の理解が困難になる; (2) 数百スライス間の空間的関係の把握が困難である,といった課題に対して,CTラジオロジー質問応答(CTQA)タスクを適切に処理することはできない。
本稿では,CTQAのためのマルチモーダルエージェントフレームワークであるCT-Agentを提案する。
論文 参考訳（メタデータ） (2025-05-22T04:59:20Z) - Imitating Radiological Scrolling: A Global-Local Attention Model for 3D Chest CT Volumes Multi-Label Anomaly Classification [0.0]
3次元CTスキャンのマルチラベル分類は、データの体積特性と検出すべき異常の多様性のために難しい課題である。
畳み込みニューラルネットワーク(CNN)に基づく既存のディープラーニング手法は、長距離依存を効果的に捉えるのに苦労する。
我々は,3次元CTスキャン解析において,放射線技師のスクロール挙動をエミュレートする新しいグローバルアテンションモデルCT-Scrollを提案する。
論文 参考訳（メタデータ） (2025-03-26T15:47:50Z) - CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios [53.94122089629544]
我々は,CT-GLIP(Grounded Language- Image Pretraining with CT scans)を導入する。
本手法は,104臓器にわたる17,702症例を対象に,44,011例の臓器レベルの視覚テキストペアからなるマルチモーダルCTデータセットを用いて訓練し,自然言語を用いて臓器と異常をゼロショットで識別できることを実証した。
論文 参考訳（メタデータ） (2024-04-23T17:59:01Z) - Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。
X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。
画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
論文 参考訳（メタデータ） (2023-05-26T07:12:35Z) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳（メタデータ） (2022-07-10T06:32:56Z) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2021-02-11T18:16:18Z) - XraySyn: Realistic View Synthesis From a Single Radiograph Through CT
Priors [118.27130593216096]
放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。
私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。
本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
論文 参考訳（メタデータ） (2020-12-04T05:08:53Z) - 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。