Fugu-MT 論文翻訳(概要): A4-MR: Abnormality-aware Anatomical Alignment for MR

論文の概要: A4-MR: Abnormality-aware Anatomical Alignment for MR

arxiv url: http://arxiv.org/abs/2610.13056v1
Date: Fri, 09 Oct 2026 06:10:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-13 04:06:29.420255
Title: A4-MR: Abnormality-aware Anatomical Alignment for MR
Title（参考訳）: A4-MR : MRの異常を意識した解剖学的アライメント
Abstract要約: 約5万個のMRIでトレーニングした3次元視覚言語基礎モデルであるA4-MRを紹介する。 A4-MRは,(1)雑音ラベルによる大規模事前訓練による解剖学的局在の学習,(2)解剖学的レベルでの画像とテキストの表現の整列,(3)健康および異常な解剖の表現の相違を学習するように設計されている。
参考スコア（独自算出の注目度）: 9.332361700844148
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advances in large-scale foundation models have enabled strong generalization across a wide range of clinical and research tasks in magnetic resonance imaging (MRI). However, existing vision-language MRI models remain limited in anatomy-specific localization and pathology-aware representation, particularly in real-world settings. We introduce A4-MR, a 3D vision-language foundation model trained on approximately 50,000 MRI studies comprising 491,000 series, roughly half of which are paired with radiology reports. A4-MR is designed to: (1) learn anatomy localization through large-scale pretraining with noisy labels; (2) align image and text representations at the anatomical level; and (3) learn distinct representations of healthy and abnormal anatomy. Across a diverse set of downstream tasks, A4-MR outperforms existing foundation models, including a +1.7 AUROC improvement over MedSigLIP for abnormality detection. Using a frozen encoder, A4-MR also surpasses an end-to-end task-specific MedNeXt model for knee segmentation by +1.4 Dice and performs comparably to the best task-specific model for abdominal organ segmentation on AMOS, within 0.4 Dice. Finally, without anatomical prompts, A4-MR localizes 3D anatomy comparably to MedSAM2 provided with ground-truth bounding boxes. Together, these results demonstrate that anatomy-level multimodal alignment and abnormality-aware representation learning can enable a single MRI foundation model to support localization, segmentation, and pathology-related tasks.
Abstract（参考訳）: 大規模基盤モデルの最近の進歩は、MRI(MRI)における幅広い臨床および研究のタスクにおいて、強力な一般化を可能にしている。しかし、既存の視覚言語MRIモデルは、解剖学的特化と病理学的適応、特に現実世界の設定に限られている。 A4-MR(A4-MR)は, 約5万個のMRI画像に対して, 約491,000個のX線画像と, 約半数のX線画像とを合成した基礎モデルである。 A4-MRは,(1)雑音ラベルによる大規模事前訓練による解剖学的局在の学習,(2)解剖学的レベルでの画像とテキストの表現の整列,(3)健康および異常な解剖学の表現の区別を学習する。下流タスクの多種多様なセットの中で、A4-MRはMedSigLIPに対する+1.7 AUROCの改善など、既存の基盤モデルよりも優れている。凍結エンコーダを使用することで、A4-MRは膝分割のためのエンド・ツー・エンドタスク固有のMedNeXtモデルに +1.4 Dice を超越し、AMOS の腹部臓器分割のための最高のタスク固有モデルと相容れない性能を 0.4 Dice で実現している。最後に、解剖学的プロンプトがなければ、A4-MRは3D解剖学を、接地束縛箱を備えたMedSAM2に比較可能に局在させる。これらの結果から,解剖学的レベルのマルチモーダルアライメントと異常認識表現学習により,単一のMRI基盤モデルが局所化,セグメンテーション,病理関連タスクをサポートできることが示唆された。

関連論文リスト

MosaicMRI: A Diverse Dataset and Benchmark for Raw Musculoskeletal MRI [20.01253907654978]
そこで本研究では,MSK MR を用いた機械学習手法のトレーニングと評価を行うための,完全サンプリング生筋骨格MR 計測装置であるMosaicMRIを紹介した。モデルキャパシティとデータセットサイズの両方に関して,スケーリングの挙動について検討する。興味深いことに、結合解剖学で訓練されたモデルは、低サンプル状態において解剖学固有のモデルよりも著しく優れている。
論文参考訳（メタデータ） (2026-04-13T17:36:01Z)
OrthoDiffusion: A Generalizable Multi-Task Diffusion Foundation Model for Musculoskeletal MRI Interpretation [36.4629764779715]
筋骨格障害は、世界的な健康上の重荷であり、世界中の障害の主要な原因である。マルチタスク筋骨格MRIの解釈のために設計された統合拡散基盤モデルOrthoDiffusionを開発した。このフレームワークは、3つの方向特異的な3D拡散モデルを利用しており、15,948個のラベルのない膝MRIスキャンで自己指導的に事前訓練されている。
論文参考訳（メタデータ） (2026-02-24T10:29:10Z)
Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
論文参考訳（メタデータ） (2025-06-11T23:51:01Z)
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)
A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文参考訳（メタデータ） (2024-10-05T20:03:57Z)
SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location on MRI [13.912230325828943]
本稿では,MRIにおける骨分割のための汎用的,一般公開的なディープラーニングモデルを提案する。提案モデルでは,完全自動セグメンテーションとプロンプトベースセグメンテーションの2つのモードで動作可能である。 1) さまざまなMRIプロトコルにまたがる新しいMRIデータセットの収集,注釈付けを行い,300以上の注釈付きボリュームと8485個の注釈付きスライスを含む。
論文参考訳（メタデータ） (2024-01-23T18:59:25Z)
3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文参考訳（メタデータ） (2023-06-23T12:09:52Z)
A Radiomics-Incorporated Deep Ensemble Learning Model for Multi-Parametric MRI-based Glioma Segmentation [5.890417404600585]
グリオーマのセグメンテーション精度を向上させるため,放射能空間符号化による深層アンサンブル学習モデルを開発した。このモデルは,T1,T1(T1-Ce),T2,FLAIRの4つのモード性mp-MRIプロトコルを用いた369名のグリオーマ患者を用いて開発された。
論文参考訳（メタデータ） (2023-03-19T02:16:55Z)
A Hybrid 3DCNN and 3DC-LSTM based model for 4D Spatio-temporal fMRI data: An ABIDE Autism Classification study [0.0]
本稿では,3次元CNNと3次元磁気LSTMを用いて,全4次元データから特徴を抽出できるエンドツーエンドアルゴリズムを提案する。提案手法は,NYUサイトとUMサイトにおいて,F1スコア0.78,0.7の単一サイトにおいて,技術結果の状態を達成できることを示す。
論文参考訳（メタデータ） (2020-02-14T11:52:00Z)

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。