論文の概要: Reading the Mask: Descriptor-Grounded BI-RADS Rationale Generation for Breast MRI Segmentation
- arxiv url: http://arxiv.org/abs/2610.29358v1
- Date: Wed, 21 Oct 2026 07:50:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.28145
- Title: Reading the Mask: Descriptor-Grounded BI-RADS Rationale Generation for Breast MRI Segmentation
- Title（参考訳）: Descriptor-Grounded BI-RADS Rationale Generation for Breast MRI Segmentation
- Abstract要約: ダイナミックコントラスト強調MRI(DCE-MRI)を用いた深層学習モデル
しかし、セグメンテーションマスクだけでは、放射線学者が病変の疑いを評価するために使用する根拠や推論を提供していない。
本研究は,臨床的に関連のある記述子をセグメンテーションマスクとそのダイナミックコントラストエンハンスメントシリーズから引き出すことができるかどうかを検討する。
- 参考スコア（独自算出の注目度）: 0.380319249420835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning based models accurately delineate tumours on dynamic contrast-enhanced MRI (DCE-MRI), but segmentation masks alone do not provide the rationales or reasoning used by radiologists to assess the lesion suspicion. This limits the explainability as well the clinical integration. We investigate whether clinically relevant descriptors can instead be derived from the segmentation masks and their dynamic contrast-enhancement series. We have used Breast Imaging Reporting and Data System (BI-RADS) guidelines as a structured framework. Using these guidelines we designed a BI-RADS decision tree with eight quantitative measurements using radiomics, together with the lesion size and component count, that determine the descriptors at eight nodes. Using these descriptors we generate natural-language rationale using a large language model. The model was constrained to express only the derived records from the decision tree. After applying this framework to the expert and automatic masks of each of the 1,506 cases in the MAMA-MIA dataset, we generated a reproducible corpus of 3,012 BI-RADS grounded rationales. We obtained a faithfulness score of 99.98% and a counterfactual accuracy of 99.3%, indicating that the generated rationales faithfully verbalises the measured descriptors and correctly reflects changes in the underlying record. Agreement between the descriptors from expert and automatic masks falls from 0.832 to 0.549 as mask quality falls from Good to Missed. The generated rationales are intended as draft representations for radiologist review and final sign-off rather than autonomous clinical reports.
- Abstract（参考訳）: ディープラーニングベースモデルではダイナミックコントラスト強調MRI(DCE-MRI)で腫瘍を正確に診断するが、セグメンテーションマスクだけでは、放射線医が病変の疑いを評価するために使用する根拠や推論は提供されない。
これにより、説明可能性と臨床統合が制限される。
本研究は,臨床的に関連のある記述子をセグメンテーションマスクとそのダイナミックコントラストエンハンスメントシリーズから引き出すことができるかどうかを検討する。
乳房画像報告・データシステム(BI-RADS)のガイドラインを構造化フレームワークとして使用した。
これらのガイドラインを用いて,8ノードのディスクリプタを識別する病変の大きさと成分数とともに,放射能を用いた8つの定量測定値を持つBI-RADS決定木を設計した。
これらの記述子を用いて、大きな言語モデルを用いて自然言語論理を生成する。
モデルは決定木から派生したレコードのみを表現するよう制約された。
この枠組みをMAMA-MIAデータセットの各1,506症例のエキスパートおよび自動マスクに適用した後,再現可能な3,012個のBI-RADS接地有理量コーパスを作成した。
我々は99.98%の忠実度スコアと99.3%の反実的精度を取得し、生成した有理値が測定された記述子を忠実に発音し、基礎となる記録の変化を正しく反映していることを示す。
専門家と自動マスクによる記述者間の合意は、マスクの品質が善し悪しに落ちるため0.832から0.549に低下する。
生成された合理性は、自律的な臨床報告ではなく、放射線医のレビューと最終サインオフのためのドラフト表現として意図されている。
関連論文リスト
- Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。
テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
論文 参考訳（メタデータ） (2026-06-17T08:10:30Z) - LoGSAM: Parameter-Efficient Cross-Modal Grounding for MRI Segmentation [5.967422994926725]
基礎モデルに基づくローカライゼーションとセグメンテーションのためのテキストプロンプトに変換するパラメータ効率のフレームワークであるLoGSAMを提案する。
これらのプロンプトは、LoRA適応型視覚言語検出モデルであるGrounding DINOを介して、テキスト条件の腫瘍局在を誘導する。
健診12例のMRI画像に対して, ドイツの放射線技師の指示による全パイプラインの評価を行い, 症例レベルの精度91.7%を得た。
論文 参考訳（メタデータ） (2026-03-18T10:33:32Z) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline [1.9336815376402718]
本研究では,ダイナミックコントラスト強調MRIにおける乳腺病変の自動分類のためのトランスフォーマーベースフレームワークを提案する。
患者レベルでは100%の感度と67%の特異性を有する病変レベル分類のAUCを0.92で達成したSegFormerアーキテクチャを実装した。
データセット、モデル、評価プロトコルの公開リリースは、DCE-MRI病変分類のための最初の標準化されたベンチマークを提供する。
論文 参考訳（メタデータ） (2025-09-30T15:58:02Z) - Fusion-Based Brain Tumor Classification Using Deep Learning and Explainable AI, and Rule-Based Reasoning [0.0]
本研究では,MobileNetV2とDenseNet121畳み込みニューラルネットワーク(CNN)を組み合わせたアンサンブルに基づくディープラーニングフレームワークを提案する。
モデルは、階層化された5倍のクロスバリデーションプロトコルを使用して、Figshareデータセット上でトレーニングされ、評価された。
このアンサンブルは個々のCNNよりも優れた性能を示し、精度は91.7%、精度は91.9%、リコールは91.7%、F1スコアは91.6%だった。
論文 参考訳（メタデータ） (2025-08-09T08:46:36Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - The Segment Anything foundation model achieves favorable brain tumor
autosegmentation accuracy on MRI to support radiotherapy treatment planning [1.4268390778580502]
Segment Anything Foundation Modelは、MRIスライス上のグリオーマ脳腫瘍のセグメンテーションに対して高いゼロショット精度を達成することができる。
その結果,臨床応用に適切に組み込むと,Segment Anything は RT 治療計画の加速と促進が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-04-16T19:46:46Z)
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。