論文の概要: Beyond Discrete Tokens: Preserving Numerical Continuity in Medical Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.32948v1
• Date: Fri, 23 Oct 2026 17:40:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.625656
• Title: Beyond Discrete Tokens: Preserving Numerical Continuity in Medical Vision-Language Models
• Title（参考訳）: 離散的トークンを超えて:医療ビジョン-言語モデルにおける数値的連続性を保存する
• Abstract要約: HAD-VLMは、自動回帰テキスト生成と連続測定予測を組み合わせたハイブリッド自動回帰拡散フレームワークである。 IVSd、LVIDd、LVIDs、LVPWdの平均絶対誤差は1.36, 2.77, 3.05, 1.16 mmであり、誤差は21.4-37.6%減少する。 X線による脊椎計測では、HAD-VLMは平均絶対誤差を11.4ピクセルから6.7ピクセルに減少させる。
• 参考スコア（独自算出の注目度）: 41.63911188356393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: To develop a unified vision-language model for prompt-conditioned quantitative ultrasound measurement that addresses the mismatch between continuous measurement targets and discrete token-based numerical prediction. Methods: This article presents HAD-VLM, a hybrid autoregressive-diffusion framework that combines autoregressive text generation with continuous measurement prediction within a shared backbone. Visual prompt tuning adapts the vision encoder to ultrasound images. A diffusion process predicts a five-component representation comprising caliper endpoint coordinates and measurement length. A post-processing strategy combining the proposed coordinate-length consistency mechanism with ensemble prediction is introduced to refine measurement estimates. We evaluate four echocardiographic measurement tasks on EchoNet-LVH, with additional assessments of medical question answering and X-ray vertebral measurement. Results: HAD-VLM achieves mean absolute errors of 1.36, 2.77, 3.05, and 1.16 mm for IVSd, LVIDd, LVIDs, and LVPWd, respectively, reducing errors by 21.4-37.6\% relative to the Vicuna-based autoregressive baseline. It also outperforms fine-tuned Qwen3-VL and direct MLP regression across all four tasks. Medical question answering performance is preserved on the evaluated dataset. For X-ray vertebral measurement, HAD-VLM reduces mean absolute error from 11.4 to 6.7 pixels. Conclusion: Integrating autoregressive language generation with diffusion-based continuous prediction improves quantitative medical image measurement while retaining prompt-conditioned task flexibility. Significance: HAD-VLM provides a unified approach to combining language interaction with anatomically grounded numerical prediction for quantitative medical image analysis.
• Abstract（参考訳）: 目的: 連続計測目標と離散トークンに基づく数値予測のミスマッチに対処する, 即時定量超音波計測のための統一視覚言語モデルを開発する。 方法:本論文では,自己回帰テキスト生成と共有バックボーン内での連続測定予測を組み合わせたハイブリッド自己回帰拡散フレームワークであるHAD-VLMについて述べる。 視覚プロンプトチューニングは、視覚エンコーダを超音波画像に適応させる。 拡散過程は、カリパーエンドポイント座標と測定長さからなる5成分表現を予測する。 提案した座標長整合性機構とアンサンブル予測を組み合わせた後処理戦略を導入し,推定値の精密化を図る。 我々は,EchoNet-LVHを用いた4つの心エコー計測タスクの評価を行い,医療質問応答とX線脊椎計測のさらなる評価を行った。 結果: HAD-VLM は IVSd, LVIDd, LVIDs, LVPWd に対して平均絶対誤差 1.36, 2.77, 3.05, 1.16 mm を達成する。 また、微調整されたQwen3-VLと4つのタスクすべてで直接MLPレグレッションを上回っている。 評価データセットには、医療質問応答性能が保存される。 X線による脊椎計測では、HAD-VLMは平均絶対誤差を11.4ピクセルから6.7ピクセルに減少させる。 結論:拡散に基づく連続予測による自己回帰言語生成の統合は,迅速なタスク柔軟性を維持しつつ,定量的な医用画像計測を改善する。 意義:HAD-VLMは、定量的な医用画像解析のために、言語相互作用と解剖学的根拠のある数値予測を組み合わせる統一的なアプローチを提供する。

関連論文リスト

• $\mathrm{S}^3$-PnP: Plug-and-Play Denoising for Scientific Imaging with Self-Supervised Score Priors [54.57276792548905]
  事前訓練済みのADMM (Plug-and-play ADMM) は有望な代替手段を提供するが、学習済みの事前分布は、目標とする科学的イメージ分布と、フィードバックによるデノイザ入力の分布の両方を提供することができる。 これらのミスマッチを緩和するために,観察由来のADMM中間状態から直接スコアを学習するセルフプレイ復元フレームワークである$mathrmS3 Experimentsを提案する。 具体的には、学習したスコアが分析前更新への入力を補正し、観測駆動補正と解析正則化を組み合わせる。
  論文  参考訳（メタデータ） (2026-10-13T14:26:37Z)
• CARE-X: Towards Clinically Useful Radiology VLMs with Auxiliary Supervision, Reward-Aligned Learning, and Tool-Augmented Measurement [3.586844533420584]
  本稿では,胸部X線ビジョンランゲージモデル(VLM)であるCARE-Xを紹介する。 CARE-Xは、言語モデリングの目的と協調して訓練された、焦点空間の分類と複合空間の接地ヘッドにより、その生成バックボーンを増強する。 その結果は、4つのレポートジェネレーションベンチマークの大多数における最先端のパフォーマンス、ReXVQAにおける94.0%のVQA精度、および専用の検出ヘッドとほぼ同値な生成空間デコーディングが得られた。
  論文  参考訳（メタデータ） (2026-08-04T16:23:39Z)
• TRACE: A Concept Bottleneck Model for Longitudinal 3D Glioblastoma Response Assessment [2.777779444362132]
  今回,RANO 2.0 をベースとした概念ボトルネックモデル TRACE を導入し,4-class glioblastoma response classification について検討した。 TRACEは、共通の3Dビジョンエンコーダで、ペア化されたベースラインとフォローアップされたマルチモーダルMRIスキャンを処理する。 臨床的に有意な腫瘍測定を根本概念として予測し、決定論的ルールを通じて下流RANO由来の概念を計算し、スキャン間隔と新しい遺伝情報をパススルー概念として組み込む。
  論文  参考訳（メタデータ） (2026-06-29T13:56:17Z)
• Anatomy-Guided Residual Motion Diffusion for Controllable 4D Cardiac MRI Synthesis [15.392128655814451]
  解剖学的に一貫したデータ拡張のための4次元制御可能な生成フレームワークを提案する。 半教師付き変分オートエンコーダは、解剖学的ボリュームのコンパクトな潜在表現を学習する。 解剖学的構造は、カスケードされた潜在拡散モデルを通して時間力学から切り離される。
  論文  参考訳（メタデータ） (2026-06-25T08:48:45Z)
• Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
  本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
  論文  参考訳（メタデータ） (2023-08-09T07:51:40Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Adaptive Contrast for Image Regression in Computer-Aided Disease Assessment [22.717658723840255]
  深部画像回帰のための最初のコントラスト学習フレームワーク,すなわちAdaConを提案する。 AdaConは、新しいアダプティブマージンコントラスト損失と回帰予測ブランチによる特徴学習ブランチで構成されている。 AdaConの2つの医用画像回帰作業における効果を実証する。
  論文  参考訳（メタデータ） (2021-12-22T07:13:02Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)

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。