論文の概要: XFlow: A Workflow Model for Instruction-Guided Lesion Segmentation in Chest X-rays

• arxiv url: http://arxiv.org/abs/2609.34513v1
• Date: Mon, 28 Sep 2026 07:53:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:48:09.438789
• Title: XFlow: A Workflow Model for Instruction-Guided Lesion Segmentation in Chest X-rays
• Title（参考訳）: XFlow:胸部X線におけるインストラクションガイドによる病変分割のためのワークフローモデル
• Abstract要約: 胸部X線検査におけるインストラクション誘導病変分割(ILS)のワークフローモデルであるXFlowについて述べる。 XFlowは、内部評価と外部評価の両方において、最高のセグメンテーション品質を達成する。 2つの病変が同じアノテーションで訓練された場合でも、ROSALIAよりもセグメンテーション品質が高い。
• 参考スコア（独自算出の注目度）: 15.746878972452848
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing text-guided segmentation models in the medical domain cover only a narrow set of anatomical structures and lesions in chest X-rays (CXRs), and most of them assume that the queried target is always present in the image. Instruction-guided lesion segmentation (ILS) was introduced to overcome these limitations by segmenting diverse lesion types from simple user instructions while also recognizing when the queried lesion is absent, and ROSALIA was proposed as the first model for this task. However, the masks produced by ROSALIA remain of limited quality, often carrying scattered noise. Moreover, ROSALIA predicts the mask in a single shot, which differs fundamentally from how radiologists perceive and delineate lesions in practice. A radiologist first surveys the entire thorax, then localizes the approximate region of abnormality, and only then refines the lesion contour. Motivated by this coarse-to-fine, multi-level perception process, we present XFlow, a workflow model for ILS that combines box-based localization with multi-turn point refinement. XFlow detects the lungs, decides whether the queried finding is present in each of them, and prompts a fine-tuned SAM with the lesion box for an initial mask. It then corrects that mask through point prompts until its boundary follows the lesion, leaving every intermediate decision visible. Our experiments show that XFlow achieves the best segmentation quality on both internal and external evaluation. Notably, it surpasses ROSALIA in segmentation quality even when the two are trained on the same lesion annotations. Code and model weights will be made publicly available.
• Abstract（参考訳）: 既存の医療領域におけるテキスト誘導セグメンテーションモデルでは、胸部X線(CXR)の狭い解剖学的構造と病変のみをカバーしており、そのほとんどは、クエリーターゲットが常に画像に存在していると仮定している。 Instruction-guided lesion segmentation (ILS) を導入し, 簡単なユーザインストラクションから多種多様な病変を抽出し, クリード病変の欠如を認識させるとともに, この課題の第一モデルとしてROSALIAが提案された。 しかし、ロサリアが製造したマスクは限られた品質であり、しばしば散らばったノイズを運んでいる。 さらに、ROSALIAは単一のショットでマスクを予測するが、これは放射線学者が実際に病変を知覚し、デライン化する方法と根本的に異なる。 放射線科医が最初に胸骨全体を調査し、その後、異常のおよその部位を局在させ、その後、病変の輪郭を精査する。 この粗いマルチレベル認識プロセスにより、ボックスベースのローカライゼーションとマルチターンポイントリファインメントを組み合わせた、ILSのワークフローモデルであるXFlowを提示する。 XFlowは肺を検知し、それぞれにクエリー検出が存在するかどうかを判定し、初期マスク用の病変ボックスで微調整SAMを誘導する。 その後、そのマスクをポイントを通して修正し、その境界線が病変に従うまで、すべての中間的な決定を目に見えるままにしておく。 実験の結果,XFlowは内部および外部の両方で最高のセグメンテーション品質が得られることがわかった。 特に、同じ病変のアノテーションでトレーニングされた場合でも、セグメンテーション品質でROSALIAを上回ります。 コードとモデルの重み付けは公開されます。

関連論文リスト

• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• MedSAM-based lung masking for multi-label chest X-ray classification [4.966368957620522]
  胸部X線画像(CXR)は肺疾患のスクリーニングと診断に広く用いられている。 肺領域抽出モジュールとしてMedSAMを統合したセグメンテーション誘導型CXR分類パイプラインを提案する。 実験により、MedSAMは様々な画像条件で解剖学的に可塑性の肺マスクを産生することが示された。
  論文  参考訳（メタデータ） (2025-12-28T21:56:41Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Instruction-Guided Lesion Segmentation for Chest X-rays with Automatically Generated Large-Scale Dataset [42.048522149687145]
  単純でユーザフレンドリーな命令に基づいて,多様な病変を分類するインストラクションガイド付き病変分割(ILS)を導入する。 本パラダイムでは,CXR病変分割のためのMIMIC-ILSを構築した。 MIMIC-ILSは、192K画像と91K独自のセグメンテーションマスクから派生した1.1Mのインストラクション・アンサー対を含み、7つの主要な病変をカバーしている。
  論文  参考訳（メタデータ） (2025-11-19T07:17:19Z)
• Position-Guided Prompt Learning for Anomaly Detection in Chest X-Rays [46.78926066405227]
  胸部X線異常検出は重要な課題である。 近年,多数の医用画像に基づいて事前トレーニングされたCLIPベースの手法は,ゼロ/フェーショットダウンストリームタスクにおいて顕著な性能を示した。 凍結したCLIPモデルにタスクデータを適応させる位置誘導型プロンプト学習法を提案する。
  論文  参考訳（メタデータ） (2024-05-20T12:11:41Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
  胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。 このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。 本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-09T10:15:26Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)

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。