論文の概要: Carving Radiology Reports at Their Evidential Joints: Anatomical Region Sets as Generation Units

• arxiv url: http://arxiv.org/abs/2610.29165v1
• Date: Wed, 21 Oct 2026 03:55:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.19588
• Title: Carving Radiology Reports at Their Evidential Joints: Anatomical Region Sets as Generation Units
• Title（参考訳）: 放射線診断報告 : 世代単位としての解剖学的領域セット
• Abstract要約: 本稿では,既存の文領域対応に設定された解剖学的領域から生成単位を直接定義するRadCarveを提案する。 生成装置は、予測領域セットの合同視覚的証拠に基づいて、各ユニットのテキストを独立して生成する。 Chest ImaGenomeとPadChest-GRのレポート生成結果も,大規模ベースラインの6分の1未満のパラメータで実現している。
• 参考スコア（独自算出の注目度）: 19.296417000825603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Organizing radiology reports into independently generated units offers a way to generate fine-grained clinical content and bind it to visual evidence. However, existing methods typically adopt generation-unit structures not directly specified in natural reports or their annotations, introducing additional modeling compromises. We propose RadCarve, which instead defines generation units directly from the anatomical region sets in existing statement-region correspondences, unifying unit formation with visual evidence selection. RadCarve's planner uses composition-specialized query banks to jointly predict unit existence and region composition from the image, iteratively refining both with regional evidence aggregated according to current membership predictions. The generator independently produces each unit's text conditioned on the joint visual evidence of its predicted region set. Compared with strong baselines, RadCarve improves CXRFEScore by 9.4% in unit generation given region sets and achieves 2.4 times the end-to-end binding F1. It also achieves leading report-generation results on Chest ImaGenome and PadChest-GR, using fewer than one-sixth as many parameters as large-scale baselines.
• Abstract（参考訳）: 放射線学レポートを独立に生成された単位にまとめることによって、きめ細かい臨床コンテンツを生成し、それを視覚的証拠に結びつけることができる。 しかしながら、既存のメソッドは通常、自然のレポートやアノテーションで直接指定されていないジェネレーションユニット構造を採用し、さらなるモデリングの妥協を導入する。 そこで我々はRadCarveを提案する。RadCarveは既存のステートメント領域対応に設定された解剖学的領域から生成単位を直接定義し、視覚的エビデンスの選択を統一する。 RadCarveのプランナーは、構成特化クエリバンクを使用して、画像からユニットの存在と地域構成を共同で予測し、現在のメンバーシップ予測に従って集計された地域証拠の両方を反復的に精錬する。 生成装置は、予測領域セットの合同視覚的証拠に基づいて、各ユニットのテキストを独立して生成する。 強いベースラインと比較すると、RadCarveはCXRFEScoreを9.4%改善し、エンドツーエンドバインディングF1の2.4倍を実現している。 Chest ImaGenomeとPadChest-GRのレポート生成結果も,大規模ベースラインの6分の1未満のパラメータで実現している。

関連論文リスト

• Corpus Characterization and Inverse Constitutional Fine-Tuning for Style-Aware Radiology Reports [0.4333172868072617]
  我々はCheXpert Plusデータセットから2000件のレポートのスタイリスティックなバリエーションを特徴付けている。 我々は、逆構成型AIフレームワークを、放射線学者が書いたレポートペアからスタイル中心のコンフィグレーションを導出するように適応する。 この構成は、MedGemma-4Bベースモデルの教師付き微調整に、トーン、ディクション、不確実性校正、レポート構造を符号化する。
  論文  参考訳（メタデータ） (2026-09-13T01:40:23Z)
• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• 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)
• Hierarchical Text-Guided Brain Tumor Segmentation via Sub-Region-Aware Prompts [50.36510050690281]
  TextBraTSは、TextBraTSベースライン上に3つの新しいコンポーネントで構築された階層的なテキスト誘導フレームワークである。 学習可能なソフトプロンプトをLoRA適応BioBERTエンコーダで使用するサブリージョン対応プロンプトチューニングでは,各サブリージョンに適した特殊なテキスト表現を生成する。 TextBraTSデータセットの実験では、DiceとHD95で、最先端のメソッドに対して、すべてのサブリージョンで1.7%と6%の一貫性のある改善が示されている。
  論文  参考訳（メタデータ） (2026-03-22T06:45:02Z)
• 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)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Large Language Model with Region-guided Referring and Grounding for CT Report Generation [4.804660464589285]
  既存の方法は主にボリューム全体のグローバルな特徴についてのみ考慮する。 我々は,CTレポート生成のための第1の領域誘導参照およびグラウンドディングフレームワークであるReg2RGを提案する。
  論文  参考訳（メタデータ） (2024-11-23T12:25:06Z)
• Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
  我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。 提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
  論文  参考訳（メタデータ） (2022-09-28T10:27:10Z)
• Show, Describe and Conclude: On Exploiting the Structure Information of Chest X-Ray Reports [5.6070625920019825]
  胸部X線像(CXR)は臨床検診や診断に一般的に用いられる。 レポートのセクションと内部の複雑な構造は、自動レポート生成に大きな課題をもたらします。 本稿では,CXRイメージングレポートを生成するために,レポートセクション間の構造情報を利用する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-26T02:29:20Z)

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。