論文の概要: BrainTRACE: Tracing Longitudinal, Multimodal, and Volumetric Evidence in Brain MRI Clinical Reasoning
- arxiv url: http://arxiv.org/abs/2610.06571v1
- Date: Mon, 05 Oct 2026 15:52:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 07:34:18.600633
- Title: BrainTRACE: Tracing Longitudinal, Multimodal, and Volumetric Evidence in Brain MRI Clinical Reasoning
- Title（参考訳）: BrainTRACE : 脳MRIにおける経時的, マルチモーダル, 容積的証拠の追跡
- Abstract要約: BrainTRACEは、縦型脳MRIの解釈に必要なエビデンス構造を視覚言語モデルで追跡できるかどうかを評価するためのレポートグラウンドベンチマークである。
BrainTRACEには、1,778人の縦断患者から得られた7,273のVQAインスタンス、7,299のMRI研究、約29kの3D MRIシークエンスボリュームが含まれている。
- 参考スコア（独自算出の注目度）: 12.146759345306931
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain MRI interpretation is a longitudinal clinical reasoning problem: radiologists compare serial studies, integrate information across MRI sequences, localize findings within volumetric anatomy, and translate this evidence into report-grounded assessments. Existing medical VQA and 3D imaging benchmarks capture important parts of this workflow, but often evaluate brain MRI through isolated images, static volumes, or ungrounded report-style answers, thereby obscuring failures in the evidence chain that support clinical validity. We introduce BrainTRACE, a report-grounded benchmark for evaluating whether vision-language models can trace the evidence structure required for longitudinal brain MRI interpretation. BrainTRACE contains 7,273 scored VQA instances derived from 1,778 longitudinal patients, 7,299 MRI studies, and approximately 29k co-registered 3D MRI sequence volumes. The benchmark is organized by five levels of clinical reasoning, from acquisition recognition to case-level synthesis, and by evidence demands covering longitudinal comparison, report-grounded references, multi-sequence integration, and volumetric spatial evidence. BrainTRACE supports rendered inputs compatible with standard VLM interfaces, a 3D-evidence condition, and a decomposed case-reasoning track that audits six steps in a longitudinal evidence chain. Evaluation of 20 VLM configurations shows that current systems can identify isolated visual cues but rarely compose them into grounded longitudinal interpretations. We release the benchmark specification, evaluation lists, scoring implementation, scoring rubrics, and audit-record format to support reproducible progress in brain MRI VLM evaluation.
- Abstract（参考訳）: 脳MRIの解釈は、縦断的な臨床推論の問題である: 放射線学者はシリアルな研究を比較し、MRIのシークエンスに情報を統合し、体積解剖学内で発見を局在させ、この証拠をレポートグラウンドドアセスメントに翻訳する。
既存の医用VQAと3Dイメージングベンチマークは、このワークフローの重要な部分をキャプチャするが、しばしば孤立した画像、静的ボリューム、あるいは根拠のないレポートスタイルの回答を通じて脳MRIを評価する。
我々は,脳MRIの経時的解釈に必要なエビデンス構造を視覚言語モデルで追跡できるかどうかを評価するためのレポートグラウンドベンチマークであるBrainTRACEを紹介する。
BrainTRACEには、1,778人の縦断患者から得られた7,273のVQAインスタンス、7,299のMRI研究、約29kの3D MRIシークエンスボリュームが含まれている。
このベンチマークは、取得認識からケースレベル合成までの5段階の臨床推論と、縦断的な比較、レポートグラウンドドリファレンス、マルチシーケンス統合、ボリューム空間的エビデンスを含むエビデンス要求によって構成されている。
BrainTRACEは、標準のVLMインタフェースと互換性のあるレンダリング入力、3Dエビデンス条件、縦長のエビデンスチェーンで6ステップを監査する分割されたケース推論トラックをサポートする。
20のVLM構成の評価は、現在のシステムでは孤立した視覚的手がかりを識別できるが、それらを接地した長手解釈に構成することは滅多にないことを示している。
我々は,脳MRIVLM評価における再現性向上を支援するため,ベンチマーク仕様,評価リスト,スコアリング実装,筆跡評価,監査記録フォーマットを公表した。
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) - VITAL: Visual-Semantic Dual Supervision for Enhanced and Interpretable Latent Reasoning in Medical MLLMs [42.047738141438344]
VITALは、ビジュアル・セマンティック二重監視を備えた医療MLLMのための潜在空間推論フレームワークである。
我々は、9つの画像モダリティにまたがる61Kデータセットを構築し、それ以前の医用視覚遅延推論データセットを桁違いに超えた。
論文 参考訳（メタデータ） (2026-05-27T12:53:13Z) - UCSF-PDGM-VQA: Visual Question Answering dataset for brain tumor MRI interpretation [1.2006896500048554]
脳腫瘍の診断はMRI(MRI)の評価に大きく依存している。
放射線学の需要が増えているにもかかわらず、この専門知識は拡張が困難であり、現在の健康システムに支障をきたす。
VLM(Vision-Language Models)は、複雑な脳MRIを半自動でインタラクティブに解釈することで、この負担を軽減する機会を提供する。
論文 参考訳（メタデータ） (2026-05-16T20:10:19Z) - Lost in Volume: The CT-SpatialVQA Benchmark for Evaluating Semantic-Spatial Understanding of 3D Medical Vision-Language Models [3.6659638651482536]
近年の3次元医用視覚言語モデルの進歩により、ボリューム画像やテキストに対する共同推論が可能になった。
これらのモデルが3次元ボリュームから空間的基底解剖学を学習したのか、あるいは主に学習前と言語相関に頼っているのかは、まだ不明である。
我々は3次元CTデータにおける意味空間的推論を評価するためのベンチマークであるCT-SpatialVQAを紹介する。
論文 参考訳（メタデータ） (2026-05-09T08:16:00Z) - Beyond a Single Frame: Multi-Frame Spatially Grounded Reasoning Across Volumetric MRI [22.439797107933355]
本稿では,容積MRIを用いたマルチフレーム空間的推論のためのベンチマークSGMRI-VQAを紹介する。
各QAペアは、フレームインデックス付きバウンディングボックス座標を持つクリニック整列チェーン・オブ・シントトレースを含む。
境界ボックスによるQwen3-VL-8Bの微調整により,強いゼロショットベースラインのグラウンド化性能が一貫して向上することを示す。
論文 参考訳（メタデータ） (2026-04-17T08:06:39Z) - MedOpenClaw: Auditable Medical Imaging Agents Reasoning over Uncurated Full Studies [43.17392932337315]
現在、医療画像タスクにおける視覚言語モデル(VLM)の評価は、事前に選択された2D画像に頼ることで、臨床上の現実を過度に単純化している。
本稿では,標準医療ツールやビューア内でVLMを動的に動作させるための監査可能なランタイムであるMEDOPENCLAWを提案する。
我々はまた,脳MRIと肺CT/PETのフルスタディな医療画像ベンチマークであるMEDFLOWBENCHを紹介した。
論文 参考訳（メタデータ） (2026-03-25T17:33:58Z) - OmniBrainBench: A Comprehensive Multimodal Benchmark for Brain Imaging Analysis Across Multi-stage Clinical Tasks [41.33747208780257]
マルチモーダル大言語モデル(MLLM)は、脳画像解析をますます支援している。
現在の脳指向視覚質問応答(VQA)ベンチマークは、いくつかの画像モダリティをカバーするか、または粗い病理学的記述に限定されている。
OmniBrainBenchは,脳画像解析におけるMLLMのマルチモーダル理解能力を評価するために設計された,初めての総合的マルチモーダルVQAベンチマークである。
論文 参考訳（メタデータ） (2025-11-02T08:11:55Z) - Decipher-MR: A Vision-Language Foundation Model for 3D MRI Representations [12.805804608410739]
Decipher-MRは、大規模なデータセットに基づいて訓練された3次元MRI固有の視覚言語基盤モデルである。
Decipher-MRは、自己指導型視覚学習とレポート誘導型テキスト監視を統合し、堅牢で一般化可能な表現を構築する。
以上の結果から,Decipher-MRはMRIベースのAIのスケーラブルで汎用的な基盤として確立され,臨床および研究領域における効率的な開発が促進される。
論文 参考訳（メタデータ） (2025-09-25T14:43:33Z) - The Brain Resection Multimodal Image Registration (ReMIND2Reg) 2025 Challenge [42.51640997446028]
ReMIND2Reg 2025 Challengeは、ReMINDデータセットに基づいて構築された、このタスクのための最大の公開ベンチマークを提供する。
99のトレーニングケース、5のバリデーションケース、10のプライベートテストケースがペアの3D ceT1 MRI、T2 MRI、そして術後3D iUSボリュームで構成されている。
データはトレーニングのためのアノテーションなしで提供され、検証とテストのパフォーマンスは手動で注釈付けされた解剖学的ランドマークで評価される。
論文 参考訳（メタデータ） (2025-08-13T09:31:06Z) - Brain3D: Generating 3D Objects from fMRI [78.46936519561298]
被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。
我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。
予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
論文 参考訳（メタデータ） (2024-05-24T06:06:11Z)
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。