論文の概要: AlphaRAD: Grounded Zero-Shot Classification in Chest Radiology via $α$-Corrected Binary Cross Entropy and Factorized Latent Supervision
- arxiv url: http://arxiv.org/abs/2609.01757v1
- Date: Tue, 01 Sep 2026 18:24:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:17.840589
- Title: AlphaRAD: Grounded Zero-Shot Classification in Chest Radiology via $α$-Corrected Binary Cross Entropy and Factorized Latent Supervision
- Title（参考訳）: AlphaRAD:$α$-corrected Binary Cross Entropy and Factorized Latent Supervisionによる胸部X線撮影におけるゼロショット分類
- Abstract要約: 我々は,大規模言語モデルで解析した医療報告から,大規模に構造化された医療概念空間であるAlphaRADを紹介した。
また,VLPM表現を独立部分空間に分解する極めて単純で効果的なクロスモーダル機能融合モジュールであるFLaSを提案する。
AlphaRADは様々な胸部放射線学のタスクに強いゼロショットの一般化を示す。
- 参考スコア（独自算出の注目度）: 5.2813369503136744
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-Language Pretrained Models (VLPMs) offer a scalable path to open-vocabulary chest radiology understanding, yet two aspects remain underexplored: how structured clinical semantics extracted from medical reports can reduce in-batch noise during contrastive learning, and how cross-modal fusion can be designed to produce more faithful spatial grounding without added complexity. We introduce AlphaRAD, addressing these opportunities through two contributions. First, we construct a large-scale structured medical concept space from medical reports parsed by a Large Language Model for training, thereby mitigating in-batch learning noise and removing heuristic pair matching in contrastive learning, and thus naturally positioning AlphaRAD as a medical concept discriminator trained via $α$-Corrected Binary Cross-Entropy. Second, we propose FLaS (Factorized Latent Supervision), an extremely simple yet effective cross-modal feature fusion module that factorizes VLPM representations into independent subspaces, using dedicated alignment supervision to enhance the expressiveness of spatial grounding without introducing additional model parameters. Through extensive empirical validation, AlphaRAD shows strong zero-shot generalization across diverse chest radiology tasks. Notably, it establishes state-of-the-art average performance across 16 classification benchmarks, while achieving individual state-of-the-art results via distinct gains on 7 grounding/phrase grounding and 3 segmentation datasets.
- Abstract（参考訳）: VLPM(Vision-Language Pretrained Models)は、オープンボキャブラリの胸部X線学を理解するためのスケーラブルな経路を提供するが、医療報告から抽出された構造化された臨床的意味論が、対照的な学習中にバッチ内ノイズを減らし、複雑化することなくより忠実な空間的接地を創出するために、いかにクロスモーダル融合を設計できるかという2つの側面が未解明のままである。
AlphaRADを導入し、2つのコントリビューションを通じてこれらの機会に対処します。
まず,学習用大規模言語モデルにより解析された医療レポートから大規模に構造化された医療概念空間を構築することにより,学習中の雑音を軽減し,対照的な学習におけるヒューリスティックなペアマッチングを除去し,α$-Corrected Binary Cross-Entropyを用いて訓練された医療概念判別器としてAlphaRADを自然に位置づける。
第二に、FLaS(Factorized Latent Supervision)は、VLPM表現を独立部分空間に分解する非常に単純で効果的なクロスモーダルな機能融合モジュールであり、追加のモデルパラメータを導入することなく、空間グラウンドの表現性を高めるために、専用のアライメント・インスペクションを使用する。
広範な経験的検証を通じて、AlphaRADは様々な胸部放射線学のタスクにおいて強力なゼロショットの一般化を示す。
特に、16の分類ベンチマークで最先端の平均パフォーマンスを確立し、7つのグラウンド/フレーズグラウンドと3つのセグメンテーションデータセットに基づいて、個々の最先端結果を達成する。
関連論文リスト
- Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。
VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。
本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
論文 参考訳（メタデータ） (2026-09-11T05:21:01Z) - Cross-Modal Semantic-Enhanced Diffusion Framework for Diabetic Retinopathy Grading [7.923081487850825]
そこで本研究では,糖尿病網膜症(DR)に適応した視覚言語モデルを提案する。
画像特徴と各DRグレードのテキスト記述特徴との間のドット積を計算し、モーダルなセマンティックコンディショニングベクトルを構築する。
APTOS 2019データセットの実験では、提案手法は87.5%の精度で、マクロ平均F1スコアは0.731であり、様々な代表的手法よりも優れていた。
論文 参考訳（メタデータ） (2026-05-10T00:58:17Z) - Echo-α: Large Agentic Multimodal Reasoning Model for Ultrasound Interpretation [76.6507710204181]
超音波解釈のためのエージェント型マルチモーダル推論モデルであるEcho-を提案する。
Echo-は臓器固有の検出出力を調整し、それらをグローバルな視覚的コンテキストに統合し、その結果の証拠を根拠となる診断決定に変換するように訓練されている。
以上の結果から, エージェントによるマルチモーダル推論は, 特定検出器を検証可能な臨床証拠にすることができることが示唆された。
論文 参考訳（メタデータ） (2026-04-30T15:31:00Z) - Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images [0.0]
非教師なしドメイン適応(UDA)フレームワークはTransformerのバックボーンとMean-Teacherアーキテクチャを使って、センター間のセマンティックセマンティックセグメンテーションを実現する。
主な焦点は、特徴空間内の深い構造情報を学習することで、擬似ラベルの信頼性を高めることである。
クロスセンタデータセット(FUMPEとCAD-PE)で実施した実験的検証は、大幅な性能向上を示す。
論文 参考訳（メタデータ） (2026-02-23T14:33:24Z) - Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。
MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
論文 参考訳（メタデータ） (2026-01-29T13:05:46Z) - SCALE-VLP: Soft-Weighted Contrastive Volumetric Vision-Language Pre-training with Spatial-Knowledge Semantics [31.49282177777596]
既存のアプローチでは、スキャンを独立した2Dスライスとして扱い、空間コヒーレンスを妥協し、臨床的意味論を過小評価する。
空間意味論とドメイン認識表現を統合したソフトウェイトなコントラスト型視覚言語学習フレームワークを提案する。
これにより、構造的に一貫性があり、セマンティックに根ざした表現が監督され、クロスタスクの転送可能性(検索、レポート生成、分類)とドメイン間の一般化可能性を示す。
論文 参考訳（メタデータ） (2025-11-04T21:03:17Z) - 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) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z) - Unify, Align and Refine: Multi-Level Semantic Alignment for Radiology
Report Generation [48.723504098917324]
マルチレベル・クロスモーダルアライメントを学習するためのUnify, Align, then Refine (UAR)アプローチを提案する。
本稿では,Latent Space Unifier,Cross-modal Representation Aligner,Text-to-Image Refinerの3つの新しいモジュールを紹介する。
IU-XrayおよびMIMIC-CXRベンチマークデータセットの実験と解析は、UARの様々な最先端手法に対する優位性を実証している。
論文 参考訳（メタデータ） (2023-03-28T12:42:12Z) - Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。
視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。
我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。
IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2023-03-16T07:23:55Z)
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。