論文の概要: CPVB-RG: Cross-Prior Visual Bridging for Prior-Aware Chest X-Ray Report Generation

• arxiv url: http://arxiv.org/abs/2610.28289v1
• Date: Tue, 20 Oct 2026 14:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.857278
• Title: CPVB-RG: Cross-Prior Visual Bridging for Prior-Aware Chest X-Ray Report Generation
• Title（参考訳）: CPVB-RG:胸部X線診断用クロスミラーブラッジ
• Abstract要約: 本稿では,CPVB-RGについて述べる。CPVB-RG,CPVB-RG,CPVB-RG,CPVB-RG,CPVB-RG,CPVB-RG,CPVB-RG,CPVB-RG,C。 CPVB-RGは、事前誘導された画像テキストアライメントと、軽量言語デコーダによる自己回帰レポート生成の2段階で訓練される。
• 参考スコア（独自算出の注目度）: 6.990858612369764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiologists interpret follow-up chest X-rays by comparing current and prior examinations to identify new, resolved or progressing findings. Most report generation systems either omit this longitudinal context or fuse prior features without distinguishing interval changes from anatomy that remains stable over time. We propose CPVB-RG, a prior-aware framework that combines current and prior radiographs with available clinical text. Its Cross-Prior Visual Bridge (CPVB) contains Progression-Guided Focus Attention (PGFA) and two Cross-Attention units. PGFA is designed to contrast progression-difference attention with shared-spatial attention, aiming to reduce invariant responses whilst retaining coarse spatial correspondence between examinations. The Cross-Attention units then connect the resulting longitudinal visual evidence with clinical semantics. CPVB-RG is trained in two stages, using prior-guided image-text alignment followed by autoregressive report generation with a lightweight language decoder. Experiments on MIMIC-CXR and IU X-Ray show consistent improvements across language and clinical metrics. On MIMIC-CXR, CPVB-RG achieves 0.2847 F1RadGraph and 0.6692 VLScore, with statistically significant gains over the closest decoder-matched prior-aware baseline. These results support the effectiveness of the proposed difference-aware and spatially guided fusion design for prior-aware chest X-ray report generation.
• Abstract（参考訳）: 放射線技師は、現在の検査と事前検査を比較して、新しい、解決された、または進行する発見を特定することで、追跡胸部X線を解釈する。 ほとんどのレポート生成システムは、時間とともに安定している解剖学と間隔の変化を区別することなく、この経時的文脈を省略するか、以前の特徴を融合する。 本稿では,CPVB-RGについて述べる。CPVB-RG,CPVB-RG,CPVB-RG,CPVB-RG,CPVB-RG,CPVB-RG,CPVB-RG,CPVB-RG,C。 CPVB (Cross-Prior Visual Bridge) には、PGFA (Progression-Guided Focus Attention) と2つのクロスアテンションユニットがある。 PGFAは, 実験間の粗い空間対応を維持しつつ, 不変応答を低減することを目的として, 進行差注意と共有空間注意とを対比するように設計されている。 クロス・アテンション・ユニットは、その結果の縦断的な視覚的証拠と臨床的意味論を結びつける。 CPVB-RGは、事前誘導された画像テキストアライメントと、軽量言語デコーダによる自己回帰レポート生成の2段階で訓練される。 MIMIC-CXRとIU X-Rayの実験では、言語および臨床メトリクス間で一貫した改善が見られた。 MIMIC-CXRでは、CPVB-RGは0.2847 F1RadGraphと0.6692 VLScoreを達成した。 これらの結果は, 前向き胸部X線レポート生成における差分認識と空間誘導型融合設計の有効性を裏付けるものである。

関連論文リスト

• RVLM: Recursive Vision-Language Models with Adaptive Depth [0.1631115063641726]
  RVLMは単一パス推論を反復生成実行ループに置き換える。 すべての診断クレームは、監査性要件を満たす実行可能なコードに基礎を置いています。 Gemini 2.5 Flashを用いたBraTS 2023 Meningioma (脳MRI) とMIMIC-CXR (胸部X線) の評価を行った。
  論文  参考訳（メタデータ） (2026-03-25T11:52:55Z)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• Saliency Guided Longitudinal Medical Visual Question Answering [9.991158264639209]
  縦断的視覚的質問応答(Diff-VQA)は、異なる時間点からペアによる研究を比較する必要がある。 本稿では, 胸部X線Diff-VQAのためのサリエンシ誘導型エンコーダデコーダを提案する。
  論文  参考訳（メタデータ） (2025-09-29T18:26:17Z)
• PriorRG: Prior-Guided Contrastive Pre-training and Coarse-to-Fine Decoding for Chest X-ray Report Generation [12.860257420677122]
  PriorRGは胸部X線レポート生成フレームワークで、2段階のトレーニングパイプラインを通じて実際の臨床をエミュレートする。 ステージ1では,臨床文脈の時間的特徴抽出を利用した事前指導型コントラスト事前訓練方式を導入する。 ステージ2では、視覚エンコーダの隠蔽状態との事前知識を高めるために、事前認識された粗時間デコーディングを統合する。
  論文  参考訳（メタデータ） (2025-08-07T13:02:20Z)
• Privacy-Preserving Chest X-ray Report Generation via Multimodal Federated Learning with ViT and GPT-2 [0.1874930567916036]
  IU-Xrayデータセットを用いた胸部X線レポート生成のためのマルチモーダルフェデレートラーニングフレームワークを提案する。 このシステムは、ヴィジュアルトランスフォーマー(ViT)をエンコーダとして、GPT-2をレポートジェネレータとして使用し、生データを共有せずに分散トレーニングを可能にする。 その結果、FLは臨床的に関連性があり、セマンティックにリッチな放射線学レポートを作成する際に、集中型モデルと一致または超えることができることがわかった。
  論文  参考訳（メタデータ） (2025-05-27T20:01:12Z)
• 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)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• Attention-based Multi-scale Gated Recurrent Encoder with Novel Correlation Loss for COVID-19 Progression Prediction [3.3070542851160782]
  本研究は,CXRから肺浸潤の進展を予測するための深層学習に基づくアプローチを提案する。 本枠組みは,前回のCXRから表象を学習し,その日の患者に対するゾーンワイド病重症度を予測する。
  論文  参考訳（メタデータ） (2021-07-18T00:37:55Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。