論文の概要: MedVTok: A General-Purpose Medical Visual Tokenizer

• arxiv url: http://arxiv.org/abs/2610.35842v1
• Date: Mon, 26 Oct 2026 17:54:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.135844
• Title: MedVTok: A General-Purpose Medical Visual Tokenizer
• Title（参考訳）: MedVTok: 一般的な医療用ビジュアルトケナイザ
• Abstract要約: MedVTokは2次元画像と3次元ボリュームを多彩な画像モダリティから統一されたトークン空間にマッピングする汎用的なビジュアルトークンライザである。 MedVTokは、分類、検索、セグメンテーション、合成、視覚的質問応答、医療レポート生成をサポートする。 24のベンチマークで、MedVTokは最先端のパフォーマンスを実現し、医療画像の寸法、モダリティ、タスク使用を統一するスケーラブルなトークンインターフェースを実証した。
• 参考スコア（独自算出の注目度）: 58.92639578891136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal medical AI requires a common visual interface for encoding heterogeneous imaging evidence for patient condition modeling. However, existing medical visual tokenizers are often tied to a specific dimension and imaging modality, forcing multimodal systems to rely on fragmented and poorly reusable representations. We introduce MedVTok, a general-purpose visual tokenizer that maps 2D images and 3D volumes from diverse imaging modalities into a unified token space. Building such a tokenizer poses two key challenges: preserving anatomical structure across dimensions and capturing clinical semantics across modalities. To this end, MedVTok introduces (i) slice differential regularization, which explicitly models inter-slice anatomical coherence missing in previous per-pixel/per-voxel supervision, and (ii) multi-expert representation alignment, which integrates knowledge from multiple medical expert encoders while retaining modality-specific complementary knowledge. Trained on 28M images and 70K volumes across 9 imaging modalities, MedVTok supports classification, retrieval, segmentation, synthesis, visual question answering, and medical report generation through a single tokenizer. Across 24 benchmarks, MedVTok achieves state-of-the-art performance, demonstrating a scalable token interface that unifies medical image dimension, modality, and task usage.
• Abstract（参考訳）: マルチモーダル医療用AIは、患者条件モデリングのための異種画像証拠を符号化するための共通のビジュアルインターフェースを必要とする。 しかし、既存の医用ビジュアル・トークンーザは、しばしば特定の次元と画像のモダリティに結びついており、マルチモーダルシステムは断片化され、再利用可能な表現に頼らざるを得ない。 MedVTokは2次元画像と3次元ボリュームを多彩な画像モダリティから統一されたトークン空間にマッピングする汎用的なビジュアルトークンライザである。 このようなトークン化器の構築は、次元を越えて解剖学的構造を保存し、モダリティを越えて臨床的意味を捉えるという2つの重要な課題を提起する。 この目的のために、MedVTokが紹介する 一 それまでの画素毎/ボクセル毎の監督に欠如していた解剖学的相互整合を明示的にモデル化したスライス差分正規化 (II)マルチエキスパート表現アライメントは、複数の医療専門家エンコーダからの知識を統合しつつ、モダリティ固有の補完的知識を保持する。 MedVTokは9つの画像モダリティにまたがって28Mイメージと70Kボリュームをトレーニングし、分類、検索、セグメンテーション、合成、視覚的質問応答、医療レポート生成をサポートする。 24のベンチマークで、MedVTokは最先端のパフォーマンスを実現し、医療画像の寸法、モダリティ、タスク使用を統一するスケーラブルなトークンインターフェースを実証した。

関連論文リスト

• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• MedITok: A Unified Tokenizer for Medical Image Synthesis and Interpretation [23.783507307500116]
  医用画像に適した最初の統一トークン化ツールであるMedITokについて紹介する。 低レベルの構造の詳細と、統合潜在空間内の高レベルの臨床的意味をエンコードする。 9つの画像モダリティと4つの異なるタスクにわたる30以上のデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-25T16:39:35Z)
• OmniV-Med: Scaling Medical Vision-Language Model for Universal Visual Understanding [35.35197484810533]
  我々はマルチモーダル医療理解のための統合フレームワークであるOmniV-Medを紹介する。 我々は,多解像度2D/3D画像と映像を統一アーキテクチャで処理する回転位置適応エンコーダを考案した。 本稿では,ボリュームデータと医用ビデオの空間的冗長性を生かした,医療対応型トークンプルーニング機構を提案する。
  論文  参考訳（メタデータ） (2025-04-20T17:53:56Z)
• RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [64.66825253356869]
  本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。 我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。 RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-06T17:43:03Z)
• Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
  本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。 我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
  論文  参考訳（メタデータ） (2024-09-13T10:19:10Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Building Universal Foundation Models for Medical Image Analysis with Spatially Adaptive Networks [5.661631789478932]
  医用画像解析のための普遍的基礎モデルを提案する。 55の公開医用画像データセット上のマスク画像モデリング(MIM)を用いて、空間適応型視覚トークンーザ(SPAD-VT)と空間適応型視覚変換器(SPAD-ViT)を事前訓練する。 下流の医用画像分類とセグメンテーションタスクの実験結果から,本モデルの性能とラベルの効率が向上したことを示す。
  論文  参考訳（メタデータ） (2023-12-12T08:33:45Z)
• Unified Medical Image Pre-training in Language-Guided Common Semantic Space [39.61770813855078]
  我々はUnified Medical Image Pre-Trainingフレームワーク(UniMedI)を提案する。 UniMedIは、診断レポートを一般的な意味空間として使用し、医療画像の多様なモダリティの統一表現を作成する。 10種類のデータセットにまたがる2次元画像と3次元画像の性能評価を行った。
  論文  参考訳（メタデータ） (2023-11-24T22:01:12Z)

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。