論文の概要: CheXGround: Anatomical Region Tokens for Grounded Longitudinal Chest X-ray Interpretation
- arxiv url: http://arxiv.org/abs/2608.30758v1
- Date: Mon, 31 Aug 2026 13:25:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.415978
- Title: CheXGround: Anatomical Region Tokens for Grounded Longitudinal Chest X-ray Interpretation
- Title（参考訳）: CheXGround: 経時的胸部X線解析のための解剖学的領域トークン
- Abstract要約: 地域型長方形胸部X線言語モデルであるCheXGroundを紹介する。
CheXGroundは、現在のおよび以前の解剖学的領域を抽出し、時間的に拡張されたROIトークンとしてエンコードし、生成中のグローバルな時間的イメージコンテキストと組み合わせる。
我々は,CheXGroundを,単スタディ,縦方向の視覚質問応答(VQA),縦方向の所見生成,時間的接地VQA,解剖学的接地で評価した。
- 参考スコア（独自算出の注目度）: 37.02279134491415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent radiology multi-modal language models have made substantial progress in chest X-ray report generation, visual question answering, and temporal reasoning. While longitudinal chest X-ray interpretation compares sequential examinations to describe change, visual grounding aims to connect clinical language with localized image evidence. Although longitudinal modeling and visual grounding have each advanced radiology language models, how localized visual evidence can support longitudinal interpretation remains under-explored. We introduce CheXGround, a region-grounded longitudinal chest X-ray language model that represents paired studies through corresponding anatomical regions. CheXGround extracts anatomical regions from current and prior radiographs, encodes them as temporally enhanced Region-of-Interest (ROI) tokens, and combines them with global temporal image context during generation. To connect these region tokens with clinical text, we propose Temporal Region--Phrase Alignment, a pretraining objective that aligns temporal anatomical representations with localized report phrases. We evaluate CheXGround on single-study and longitudinal Visual Question Answering (VQA), longitudinal findings generation, temporal grounded VQA, and anatomical grounding. Across these tasks, CheXGround improves clinical language quality, temporal reasoning, and localization accuracy over recent baselines. Our results suggest that organizing longitudinal evidence at the anatomical level is a strong representation for grounded radiology language modeling. Project page: https://adonaydem.github.io/chexground-website
- Abstract（参考訳）: 近年の放射線学多モーダル言語モデルでは胸部X線レポート生成,視覚的質問応答,時間的推論が著しく進歩している。
経時的胸部X線解釈は変化を記述するために連続的な検査と比較するが、視覚的基盤は臨床言語と局所的な画像証拠を結びつけることを目的としている。
縦断的モデリングと視覚的接地は、それぞれ高度なラジオロジー言語モデルを持つが、どのように局所的な視覚的エビデンスが縦断的解釈をサポートするかは、まだ解明されていない。
そこで我々はCheXGroundを紹介した。CheXGroundは、解剖学的領域を通したペア研究を表現した長手胸部X線言語モデルである。
CheXGroundは、現在および以前のラジオグラフから解剖学的領域を抽出し、時間的に拡張されたROIトークンとしてエンコードし、生成中のグローバルな時間的イメージコンテキストと組み合わせる。
本稿では,これらの領域トークンを臨床テキストに結びつけるために,時間的解剖学的表現と局所的なレポートフレーズを一致させる事前学習目的である時間的領域アライメントを提案する。
我々は,CheXGroundを,単スタディ,縦方向の視覚質問応答(VQA),縦方向の所見生成,時間的接地VQA,解剖学的接地で評価した。
これらのタスク全体で、CheXGroundは臨床言語の品質、時間的推論、最近のベースラインに対する局在精度を改善している。
以上の結果から,解剖学的レベルでの縦断的証拠の整理は,地中X線学的言語モデリングの強力な表現であることが示唆された。
プロジェクトページ: https://adonaydem.github.io/chexground-website
関連論文リスト
- How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
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。
論文 参考訳（メタデータ） (2026-08-13T14:35:20Z) - CheXTemporal: A Dataset for Temporally-Grounded Reasoning in Chest Radiography [11.122386852153546]
胸部X線を用いた胸部X線撮影における時間的根拠推論のためのデータセットであるCheXTemporalを紹介した。
このデータセットには、新しい、悪い、安定した、改善された、解決された、5つのクラスの進行分類が含まれ、局所化された病理の空間的監督、明示的な空間的時間的アライメントが含まれる。
ゼロショット設定において,複数の視覚言語CXRモデルをグラウンド化および進行分類タスクに基づいて評価する。
論文 参考訳（メタデータ） (2026-05-11T22:47:24Z) - TRACE: Temporal Radiology with Anatomical Change Explanation for Grounded X-ray Report Generation [4.726777092009554]
本稿では,時間的比較,変化分類,空間的局所化を共同で行う最初のモデルであるTRACE(Temporal Radiology with Anatomical Change Explanation)を紹介する。
従来の胸部X線と現在の胸部X線が与えられたら、TRACEは境界箱座標で各発見を接地しながら、間隔変化の自然言語記述を生成する。
我々のアブレーション研究は、時間的比較と空間的接地が共同で学習された場合にのみ、変化検出が生じるという、創発的な能力を明らかにする。
論文 参考訳（メタデータ） (2026-02-03T01:03:41Z) - AnatomiX, an Anatomy-Aware Grounded Multimodal Large Language Model for Chest X-Ray Interpretation [6.733106577457051]
AnatomiXは、解剖学的に接地された胸部X線解釈のために設計されたマルチモーダルな大規模言語モデルである。
放射線学的ワークフローに触発され、解剖学的構造を特定し、特徴を抽出する。
次に、大きな言語モデルを活用して、フレーズグラウンド、レポート生成、視覚的質問応答、画像理解など、さまざまな下流タスクを実行する。
論文 参考訳（メタデータ） (2026-01-06T17:13:23Z) - XBench: A Comprehensive Benchmark for Visual-Language Explanations in Chest Radiography [6.447908430647854]
胸部X線におけるクロスモーダル解釈性を評価するための最初の体系的ベンチマークを示す。
我々は,クロスアテンションと類似性に基づくローカライズマップを用いた視覚的説明を生成する。
複数の病理組織を横断する放射線診断領域とのアライメントを定量的に評価した。
論文 参考訳（メタデータ） (2025-10-22T13:52:19Z) - Seeing the Trees for the Forest: Rethinking Weakly-Supervised Medical Visual Grounding [45.248265283405004]
現在のモデルは、非効率な注意機構ときめ細かいトークン表現の欠如により、テキスト記述と病気領域を関連付けるのに苦労している。
本稿では、VLMの説明可能性マップを用いて、適切な画像特徴を識別する病原体認識プロンプト(DAP)を提案する。
DAPは3つの主要な胸部X線データセットの最先端手法と比較して、視覚的接地精度を20.74%向上させる。
論文 参考訳（メタデータ） (2025-05-21T05:16:45Z) - Self-supervised vision-langage alignment of deep learning representations for bone X-rays analysis [53.809054774037214]
本稿では, 骨X線とフレンチレポートを組み合わせることで, 視覚言語による事前訓練を活用することを提案する。
骨X線表現にまつわる埋め込み空間を形成するために、フランスの報告を統合する最初の研究である。
論文 参考訳（メタデータ） (2024-05-14T19:53:20Z) - ChEX: Interactive Localization and Region Description in Chest X-rays [15.57447423062306]
レポート生成モデルは、胸部X線のような医療画像の微細なテキスト解釈を提供する。
レポート生成モデルは、しばしば相互作用性(すなわち、ユーザクエリを通じて生成プロセスをステアリングする能力)と局所的解釈可能性に欠ける。
本稿では,テキストプロンプトとバウンディングボックスを統合した新しいマルチタスクアーキテクチャとトレーニングパラダイムを提案する。
論文 参考訳（メタデータ） (2024-04-24T09:44:44Z) - XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models [72.8965643836841]
我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。
胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。
自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
論文 参考訳（メタデータ） (2023-06-13T17:59:59Z) - 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) - Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。
提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文 参考訳（メタデータ） (2022-09-28T10:27:10Z)
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。