論文の概要: MetaStructAtlas: A Grounded 3D Vision-Language Dataset and Benchmark for Functional and Structural Reasoning in Whole-Body PET/CT
- arxiv url: http://arxiv.org/abs/2609.03690v1
- Date: Thu, 03 Sep 2026 11:27:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.040476
- Title: MetaStructAtlas: A Grounded 3D Vision-Language Dataset and Benchmark for Functional and Structural Reasoning in Whole-Body PET/CT
- Title（参考訳）: MetaStructAtlas:全体PET/CTにおける3次元視覚言語データセットと機能的・構造的推論のためのベンチマーク
- Abstract要約: 本稿では,全体PET/CT解釈のための大規模データセットであるMetaStructAtlasを紹介する。
また,メタストラクトVQAも開発している。
- 参考スコア（独自算出の注目度）: 28.599818943596777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The joint interpretation of metabolic function and anatomical structure is essential for clinical diagnosis in whole-body PET/CT. Although recent advances in 3D medical vision-language models have demonstrated remarkable progress, current efforts are limited to regional CT imaging, leaving a critical void in comprehensive whole-body PET/CT analysis. In this work, we introduce MetaStructAtlas, a large-scale dataset for grounded whole-body PET/CT interpretation that synthesizes multimodal imaging with integrated anatomical, metabolic, and semantic annotations. MetaStructAtlas provides 490 co-registered 3D PET and CT volumes with 50,470 organ-level segmentation masks and grounded radiology reports. To facilitate interactive reasoning, we further developed MetaStructVQA, a standardized 3D grounded visual question-answering benchmark containing 100,565 QA pairs. This framework explicitly links diagnostic queries to visual evidence across modalities, encompassing anatomical, morphological, and metabolic characteristics. Finally, we evaluate state-of-the-art 3D medical VLMs on MetaStructVQA, establishing a robust foundation for multimodal representation learning and integrated whole-body reasoning in nuclear medicine.
- Abstract（参考訳）: 全身PET/CTの診断には, 代謝機能と解剖学的構造の共同解釈が不可欠である。
近年の3次元医用視覚言語モデルの進歩は顕著な進歩を見せているが、現在の取り組みは局所的なCT画像に限られており、包括的全身PET/CT分析において重要な空白を残している。
本稿では,全身PET/CT解釈のための大規模データセットであるMetaStructAtlasを紹介する。
MetaStructAtlasは490個の3D PETおよびCTボリュームに50,470個の臓器レベルのセグメンテーションマスクとグラウンドドラジオロジーレポートを提供している。
対話型推論を容易にするために,100,565対のQAペアを含む3D基底型視覚質問応答ベンチマークであるMetaStructVQAを開発した。
このフレームワークは、解剖学的、形態学的、代謝的特徴を含む、モダリティ全体にわたる視覚的エビデンスに、診断クエリを明示的に関連付けている。
最後に,MetaStructVQA上での最先端の3D医療用VLMの評価を行い,核医学におけるマルチモーダル表現学習と全身推論の統合のための堅牢な基盤を確立した。
関連論文リスト
- Disease-Centric Vision-Language Pretraining with Hybrid Visual Encoding for 3D Computed Tomography [75.7789001619107]
ビジョン言語による事前トレーニングは、汎用医療AIにとって大きな可能性を秘めている。
3つの主要なコンポーネントを特徴とするフレームワークを提案する。
診断対応プロンプト戦略では、トレーニング前の推論ギャップを埋めるために、実際の臨床用語と集約された疾患プロトタイプを用いている。
論文 参考訳（メタデータ） (2026-06-24T08:24:45Z) - OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。
既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。
我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
論文 参考訳（メタデータ） (2026-02-18T00:42:41Z) - Uncovering Modality Discrepancy and Generalization Illusion for General-Purpose 3D Medical Segmentation [26.70378621396797]
3D医療基盤モデルは汎用機能を備えた多目的ツールとして想定されている。
このデータセットは、490体のPET/CTと464体のPET/MRIスキャンからなる。
論文 参考訳（メタデータ） (2026-02-07T17:54:10Z) - A Generalist Foundation Model for Total-body PET/CT Enables Diagnostic Reporting and System-wide Metabolic Profiling [17.709593152803695]
SDF-HOLOは全身PET/CTのマルチモーダル基礎モデルであり,1万人以上の患者を対象に事前トレーニングを行った。
二重ストリームエンコーダでCTとPETの表現学習を分離し、相互モードの相互作用モジュールを介してそれらを結合する。
このモデルは、システム全体の代謝プロファイルを可能にし、組織間の代謝ネットワーク相互作用の腫瘍関連指紋を明らかにする。
論文 参考訳（メタデータ） (2026-01-19T08:30:09Z) - TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。
TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、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） (2025-12-24T12:06:26Z) - Vision-Language Models for Automated 3D PET/CT Report Generation [13.781844347232079]
自己PET/CTレポート生成は, 臨床負荷軽減にますます重要である。
PETRG-3Dは、PETとCTのボリュームをエンコードし、スタイル適応プロンプトを組み込んだエンドツーエンドの3Dデュアルブランチフレームワークである。
PETRG-Score(PETRG-Score)は、悪性リンパ腫に特異的な評価プロトコルである。
論文 参考訳（メタデータ） (2025-11-25T10:07:57Z) - PETAR: Localized Findings Generation with Mask-Aware Vision-Language Modeling for PET Automated Reporting [10.800541081358132]
5,000点以上のPET/CT検診から3Dセグメンテーションと組み合わせた11,000点以上の病変レベル記述からなる大規模データセットを提案する。
本データセットに基づいて,PET,CT,病変輪郭を統合した3次元マスク対応視覚言語モデルPETAR-4Bを提案する。
論文 参考訳（メタデータ） (2025-10-31T17:49:01Z) - Rethinking Whole-Body CT Image Interpretation: An Abnormality-Centric Approach [57.86418347491272]
全身に404例の異常所見を呈する包括的階層分類システムを提案する。
複数平面および全人体領域からの14.5K以上のCT画像を含むデータセットを寄贈し,19K以上の異常に対する接地アノテーションを念頭に提供した。
OminiAbnorm-CTは,テキストクエリに基づいて,多面的および全身的なCT画像に異常な所見を自動的に検出し,記述することができる。
論文 参考訳（メタデータ） (2025-06-03T17:57:34Z) - Developing a PET/CT Foundation Model for Cross-Modal Anatomical and Functional Imaging [39.59895695500171]
FratMAE(Cross-Fraternal Twin Masked Autoencoder)は,全身解剖学的および機能的情報を効果的に統合する新しいフレームワークである。
FratMAEは複雑なクロスモーダル関係とグローバルな取り込みパターンをキャプチャし、下流タスクにおいて優れたパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-03-04T17:49:07Z) - RadGenome-Chest CT: A Grounded Vision-Language Dataset for Chest CT Analysis [56.57177181778517]
RadGenome-Chest CTはCT-RATEに基づく大規模3次元胸部CT解釈データセットである。
私たちは、最新の強力なユニバーサルセグメンテーションと大きな言語モデルを活用して、元のデータセットを拡張します。
論文 参考訳（メタデータ） (2024-04-25T17:11:37Z) - 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)
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。