論文の概要: TIM: Temporal Decoupling with Iterative Mutual-Refinement Model for Longitudinal Radiology Report Generation

• arxiv url: http://arxiv.org/abs/2610.26271v1
• Date: Mon, 19 Oct 2026 12:27:53 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:31:53.095423
• Title: TIM: Temporal Decoupling with Iterative Mutual-Refinement Model for Longitudinal Radiology Report Generation
• Title（参考訳）: TIM : 経時的脱カップリングと反復的相互補充モデルによる縦断的X線診断の報告
• Abstract要約: 本研究では,時間的進行から空間病理を明示的に分離し,相互のフィードバックを通じて報告を反復的に洗練する枠組みを提案する。 Longitudinal-MIMICデータセットの実験では、TIMが既存の単一画像と長手ベースラインを超えていることが示されている。
• 参考スコア（独自算出の注目度）: 7.309582856494111
• License:
• Abstract: Automatic radiology report generation (RRG) aims to translate medical images into diagnostic text, reducing radiologists' workload and standardizing clinical documentation. Nonetheless, existing approaches mainly focus on single-timepoint analysis and fail to capture temporal disease evolution across longitudinal examinations. While recent longitudinal RRG (LRRG) approaches incorporate historical data, they often combine images from different time points within a single representation space, leading to blurred semantics and inconsistent temporal reasoning. In this work, we propose a Temporal Decoupling with Iterative Mutual-Refinement Model (TIM), a two-stage framework that explicitly decouples spatial pathology from temporal progression and iteratively refines reports through mutual feedback. Stage I performs temporal-decoupled representation learning, separating temporal evolution patterns from disease-specific features and generating radiology reports for both prior and current studies. Stage II introduces a mutual report refinement mechanism that identifies diagnostic inconsistencies within prior reports and iteratively rectifies both prior and current reports through error-sensitive feedback. Experiments on the Longitudinal-MIMIC dataset demonstrate that TIM surpasses existing single-image and longitudinal baselines, achieving new state-of-the-art performance across both language and clinical metrics. Code is available at https://github.com/yihengd/TIM.
• Abstract（参考訳）: 自動放射線診断レポート生成(RRG)は、医学画像の診断テキストへの変換、放射線医の作業負荷の削減、臨床文書の標準化を目的としている。 それにもかかわらず、既存のアプローチは主に単一時間点解析に重点を置いており、縦断的検査で時間的疾患の進化を捉えていない。 最近の長手RRG(LRRG)アプローチは歴史的データを取り入れているが、異なる時点からの画像を単一の表現空間内に組み合わせることで、曖昧な意味論や矛盾した時間的推論につながることが多い。 本研究では、時間的進行から空間病理を明示的に分離し、相互のフィードバックを通じて報告を反復的に洗練する2段階のフレームワークである、反復的相互補充モデル(TIM)による時間的疎結合を提案する。 第1段階は、時間的分離表現学習を行い、病の特徴から時間的進化パターンを分離し、先行研究と現在研究の両方のために放射線学レポートを生成する。 ステージIIでは、事前報告における診断の不整合を識別し、エラーに敏感なフィードバックを通じて、事前レポートと現在のレポートの両方を反復的に修正する相互レポート改善機構を導入している。 Longitudinal-MIMICデータセットの実験は、TIMが既存の単一イメージと長手ベースラインを超え、言語と臨床のメトリクスの両方で新しい最先端のパフォーマンスを達成することを示した。 コードはhttps://github.com/yihengd/TIMで入手できる。

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)
• CT-$Δ$Bench: A Benchmark for Longitudinal 3D Medical Imaging Difference Reporting with Vision-Language Models [21.022823890203597]
  縦断的画像差分報告とは、あるモデルが、同じ患者から2つの時間的に分離されたスキャンを受け取り、臨床的に有意義な報告を生成するタスクである。 患者レベル分割による情報漏洩防止のための専用ベンチマークであるCT-$Benchを紹介する。 また,臨床的に有意な経年変化を捉え,医師の独立した検証を行うための変化認識尺度も開発した。
  論文  参考訳（メタデータ） (2026-08-12T00:55:31Z)
• GRCD: Grounded Region Change Detection for Multi-Finding Chest X-Ray Pairs [7.272024968089535]
  GRCDはマルチフィンディング環境で胸部X線対から接地レポートを生成するためのフレームワークである。 まず、時間的胸部X線対の厳密な清浄なデータセットを構築した。 次に、解剖学的構造全体にわたる地域ごとの時間的変化をエンコードするリージョンガイド変更トークンモジュールを紹介します。
  論文  参考訳（メタデータ） (2026-07-02T19:14:50Z)
• TimeLesSeg: Unified Contrast-Agnostic Cross-Sectional and Longitudinal MS Lesion Segmentation via a Stochastic Generative Model [0.338424069286569]
  TimeLesSegは、その入力に時間次元の有無にかかわらずMS病変を分断するように設計されたコントラストに依存しない統合フレームワークである。 本手法は, 病変マスクと現在のスキャンを併用した病理組織学的先行をモデル化する。 クロスセクション処理は、事前情報が得られないトレーニングケースにモデルを公開することによって実現される。
  論文  参考訳（メタデータ） (2026-05-08T16:19:34Z)
• MedScribe: Clinically Grounded CT Reporting through Agentic Workflows [13.40306812882295]
  視覚言語モデル(VLM)は、自動放射線診断レポート生成の可能性を示している。 我々は,仮説駆動型フレームワークであるMedScribeを紹介し,レポート生成を反復的証拠取得プロセスとして再構築する。
  論文  参考訳（メタデータ） (2026-05-03T08:32:40Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
  我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。 空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。 時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:15:09Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)

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。