論文の概要: Multimodal Medical Image Parsing with Task-Specific Low-Rank Adapters
- arxiv url: http://arxiv.org/abs/2610.19901v1
- Date: Wed, 14 Oct 2026 09:59:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.08005
- Title: Multimodal Medical Image Parsing with Task-Specific Low-Rank Adapters
- Title（参考訳）: タスク特化低ランク適応型マルチモーダル医用画像解析
- Abstract要約: FLARE 2026 Task 3のタスク固有適応についてQwen3.5-9Bを用いて検討した。
本システムでは, 入力質問から選択したLoRAアダプタと, 共有フリーズした4ビットバックボーンを結合する。
適応者のランクとプロンプトをカスタマイズし、稀な分類目標を再調整し、皮膚科分類例による回帰トレーニングを補完する。
- 参考スコア（独自算出の注目度）: 2.0240196957224703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adapting a single vision-language model to medical image parsing requires training choices that reflect the demands of each task. We study task-specific adaptation with Qwen3.5-9B for FLARE 2026 Task 3, covering six task families and seven imaging modalities. Our system couples a shared, frozen 4-bit backbone with LoRA adapters selected from the input question. We customize adapter ranks and prompts, rebalance rare classification targets, and supplement regression training with dermatology classification examples. On the fixed internal holdout, the task-specific adapters achieve a dataset-macro balanced accuracy of 0.7791 for classification, a dataset-macro micro-F1 of 0.6286 for multi-label classification, a counting mean absolute error (MAE) of 11.73, a dataset-macro detection F1 of 0.8914, a dataset-macro regression MAE of 9.78, and a report-generation CRIMSON score of 0.8204. On the organizer's 1,703-example hidden-validation set, the submitted system achieves 0.8496 classification balanced accuracy, 0.5338 sample-averaged multi-label F1, and 14.5950 regression MAE. The final 30.1 GB container averages 3.1 seconds per case, including model loading, and produces identical outputs across repeated verification runs. The benefits vary across tasks, supporting the use of task-specific adapter configurations and image budgets within a shared medical vision-language model. Code is available at https://github.com/TahaSabir0/FLARE26-Hexapus.
- Abstract（参考訳）: 単一の視覚言語モデルを医療画像解析に適用するには、各タスクの要求を反映したトレーニング選択が必要である。
本研究では,FLARE 2026タスク3におけるQwen3.5-9Bを用いたタスク固有適応について検討した。
本システムでは, 入力質問から選択したLoRAアダプタと, 共有フリーズした4ビットバックボーンを結合する。
適応者のランクとプロンプトをカスタマイズし、稀な分類目標を再調整し、皮膚科分類例による回帰トレーニングを補完する。
固定された内部ホールドアウトにおいて、タスク固有のアダプタは、分類のためのデータセット-マクロバランス精度0.7791、マルチラベル分類のためのデータセット-マクロマイクロF1が0.6286、カウント平均絶対誤差11.73、データセット-マクロ検出F1が0.8914、データセット-マクロ回帰MAEが9.78、レポート生成CRIMSONスコア0.8204を達成する。
オーガナイザの1,703サンプルの隠れバリデーションセットでは,0.8496の分類バランス精度,0.5338のサンプル平均マルチラベルF1,14.5950の回帰MAEを達成した。
最終30.1GBのコンテナは、モデルローディングを含むケース当たり平均3.1秒であり、繰り返し検証の実行で同じ出力を生成する。
この利点はタスクによって異なり、共有医療ビジョン言語モデルにおけるタスク固有のアダプタ構成とイメージ予算の使用をサポートする。
コードはhttps://github.com/TahaSabir0/FLARE26-Hexapusで公開されている。
関連論文リスト
- Benchmarking Self-Supervised 3D Medical Vision Foundation Models and Transferability Estimation [57.65266782182578]
セルフ教師付き事前トレーニングは、3D医療基盤モデルのプールを拡張したが、異なるデータセット、エンドポイント、微調整プロトコルを使用した評価を公表した。
14のセグメンテーション、分類、回帰タスク、複数の解剖学とモダリティにまたがる23の候補をベンチマークした。
3モデルショートリストは、7つのセグメンテーションタスクで記録された抜粋+訓練ジョブ時間を85.8%削減した。
論文 参考訳（メタデータ） (2026-10-13T01:52:19Z) - Two-Stage Mixture-of-LoRA for Multi-Task Medical Vision-Language Learning [11.067337708907017]
MedGemma-1.5-4B上に構築されたフレームワークである textbfTwo-Stage Mixture-of-LoRA を提案する。
このフレームワークでは、1つの共有LoRAと6つのタスク固有の専門家LoRAで構成される、共有固有のMixture-of-LoRAアーキテクチャを使用している。
提案手法は, 分類精度0.85, マルチラベル分類0.48マイクロF1, 検出F10.79, 回帰MAE17.39を実現する。
論文 参考訳（メタデータ） (2026-09-13T07:23:52Z) - ARISE: An adaptive residual-informed stability ensemble for feature selection in small-sample biomedical omics [0.7286424005725253]
小サンプル分子分類では、予測的、安定的、および非冗長なサブセットを二項および多クラスの結果として識別するセレクタが必要である。
本稿では, 相補的関連信号, クラスバランス安定性評価, 残差インフォームド冗長性制御, マルチクラス対のカバレッジを統合したARISEを提案する。
論文 参考訳（メタデータ） (2026-08-14T20:10:22Z) - In-Context Learning for Wound Classification with Small Multimodal Language Models [0.8166364251367626]
本研究は,小マルチモーダル言語モデル (Ms) が創傷分類の訓練自由な代替手段となるかどうかを検証した。
実験では2つの公開創傷画像データセットを使用した。
検索ベースのICLにより、SMLMはタスク固有のリトレーニングなしで創傷画像分類を行うことができる。
論文 参考訳（メタデータ） (2026-07-21T07:55:07Z) - AURORA: Adaptive Unified Representation for Robust Ultrasound Analysis [18.677691292710325]
本稿では,Qwen3-VLファミリーのトランスフォーマービジュアルエンコーダをベースとしたマルチタスク統合フレームワークを提案する。
各タスクは小さなタスク固有の予測ヘッドで処理され、トレーニングはタスク対応サンプリングと選択的損失分散を使用する。
検証セットではパフォーマンスが67%から85%向上し、公式テストセットでは平均スコアが81.84%に達した。
論文 参考訳（メタデータ） (2026-03-19T18:01:38Z) - Transformer-Based Wireless Capsule Endoscopy Bleeding Tissue Detection and Classification [0.562479170374811]
我々は出血フレームと非出血フレームの自動検出と分類のためのエンドツーエンドのトレーニング可能なモデルを設計する。
DETRモデルに基づいて,特徴抽出にはResnet50,出血および非出血領域検出にはトランスフォーマーエンコーダデコーダ,分類にはフィードフォワードニューラルネットワークを用いた。
自動WCEBleedGenバージョン1チャレンジトレーニングセットのエンドツーエンドアプローチでトレーニングされた本モデルでは,検出タスクと分類タスクの両方を単一ユニットとして実行する。
論文 参考訳（メタデータ） (2024-12-26T13:49:39Z) - Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。
我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。
得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文 参考訳（メタデータ） (2022-11-16T21:55:05Z) - Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic
Image Classification [61.656149405657246]
ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。
本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。
Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
論文 参考訳（メタデータ） (2022-09-27T14:19:00Z) - Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。
本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。
特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
論文 参考訳（メタデータ） (2020-12-03T02:07:43Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z)
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。