arXiv:2610.02375v1 cs.CV

EviDent-CBCT: 비소진적 판독문 지도하의 치과용 CBCT 기반 근거 병목 판독문 생성

EviDent-CBCT: Evidence-Bottlenecked Report Generation from Dental CBCT under Non-Exhaustive Report Supervision

Ruiyang Hao, Zhi Qin Tan, Yulan He, Owen Addison, Yunpeng Li

제출 2026-10-01

한국어 초록

치과악안면 콘빔 CT(CBCT) 판독문은 단일 3D 스캔으로부터 수십 가지의 치아별, 해부학적 및 공간적 소견을 포함할 수 있습니다. 일상적인 판독문이 영상 소견을 소진적(exhaustively)으로 빠짐없이 기록하지 않을 수 있고, 언급되지 않은 항목이 병변의 부재 또는 단순 미보고 중 어느 쪽이든 반영할 수 있기 때문에 제한된 임상 데이터로부터 이러한 판독문을 생성하도록 학습(training)시키는 것은 어렵습니다. 본 논문에서는 이러한 불완전한 지도를 위해 설계된 근거 병목(evidence-bottlenecked) 프레임워크인 EviDent-CBCT를 제안합니다. 해부학 인식 네트워크는 각 CBCT 스캔을 치아 수준, 전역적(global), 그리고 치아-하치조신경관(tooth-IAC) 근거의 이산형 기록으로 매핑합니다. 치과 논리 일관성 투영(dental-logic consistency projection)은 호환되지 않는 근거를 조율하며, 이후 결정론적 렌더러와 이미지를 보지 않는 로컬 언어 모델(language model)이 오직 이 기록만을 사용하여 판독문을 생성합니다. 치아 수준 근거의 경우 신뢰도 인식 학습은 유효한 미언급 항목을 가중치(weight)가 감소된 음성 샘플로 사용하는 반면, 보고되지 않은 전역적 및 치아-하치조신경관 라벨은 미상(unknown)으로 유지합니다. 금속 감응형 입력 채널은 치과 재료의 강도 단서를 보존합니다. 3회의 검증(validation) 실행 전반에서 EviDent-CBCT는 병합 근거 세트 F1 0.666±0.006 및 RadFact-Lite-Dental 논리 F1 0.402±0.003을 달성하여, 가장 강력한 통제된 직접 기준선(baseline) 모델(model)의 0.371±0.018 대비 우수한 성능을 보였습니다. ODIN 2026 챌린지 숨겨진 테스트 세트에서 본 방법은 자동 평가 2위, 블라인드 임상 아레나 비교 3위를 기록했습니다. 이러한 결과는 이산형 근거 기록이 CBCT 판독문 생성을 위한 효과적이고 감사 가능한(auditable) 인터페이스임을 뒷받침합니다.

원문 초록

Dento-maxillofacial cone-beam CT (CBCT) reports may contain dozens of tooth-specific, anatomical, and spatial findings from a single 3D scan. Learning to generate such reports from limited clinical data is challenging because routine reports may not exhaustively document image findings, and a non-mention may reflect either absence or non-reporting. We present EviDent-CBCT, an evidence-bottlenecked framework designed for this incomplete supervision. An anatomy-aware network maps each CBCT scan to a discrete record of tooth-level, global, and tooth-IAC evidence. A dental-logic consistency projection reconciles incompatible evidence before a deterministic renderer and an image-blind local language model generate the report using only this record. For tooth-level evidence, reliability-aware training uses eligible non-mentions as reduced-weight negatives, while unreported global and tooth-IAC labels remain unknown. A metal-sensitive input channel preserves intensity cues from dental materials. Across three validation runs, EviDent-CBCT achieves $0.666\pm0.006$ merged evidence set-F1 and $0.402\pm0.003$ RadFact-Lite-Dental logical-F1, versus $0.371\pm0.018$ for the strongest controlled direct baseline. In the ODIN 2026 challenge, it ranked second in automated evaluation and third in blinded clinical Arena comparison on the hidden test set. These results support the discrete evidence record as an effective and auditable interface for CBCT report generation.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.02375v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.37605v2cs.CV공통 태그 Medical Image Analysis, computed tomography ct

TomoTransformer: CT 재구성을 위한 파운데이션 모델을 향하여

TomoTransformer: Towards a Foundation Model for CT Reconstruction

지도 심층 학습(supervised deep learning)은 희소 뷰 단층 촬영 재구성(sparse-view tomographic reconstruction) 분야를 발전시켰습니다. 그러나 일반적으로 여과 역투영(FBP) 이미지나 사이노그램(sinogram)을 깨끗한 재구성 이미지로 매핑하는 기존 모델들은 분포 변화(distribution shift)에 취약합니다. 투영 횟수 및 각도, 검출기 해상도 또는 데이터 분포가 변경될 때마다 재학습이 필요하기 때문에, 실제 응용 분야에서의 배포는 여전히 제한적입니다. 이를 해결하기 위해 본 논문에서는 각 국소(local) 여과 투영을 개별 토큰으로 취급하고 셀프 어텐션(self-attention)을 통해 누락된 뷰를 예측하는 트랜스포머 기반 아키텍처인 TomoTransformer를 소개합니다. 결정적으로, TomoTransformer는 공간적 위치 전반에 걸쳐 투영을 분리하는 역투영 공간(back-projection space)에서 작동하므로, 뷰 보간이 기하학적으로 적절한 조건(well-posed)을 갖추고 검출기 크기에 불변하도록 만듭니다. 이러한 설계를 통해 재학습 없이도 임의의 각도 위치 및 검출기 크기에서 임의의 개수의 입력 투영을 처리하고, 임의의 개수의 목표 각도를 쿼리할 수 있는 단일 파운데이션 모델이 구현됩니다. 다양한 의료 CT 해부학적 구조와 자연 이미지를 포괄하는 대규모 데이터셋으로 학습된 TomoTransformer는 여러 해부학적 구조, 재료 및 해상도 전반에 걸쳐 효과적으로 일반화됩니다. 여러 벤치마크 희소 뷰 데이터셋에 대한 광범위한 평가 결과에 따르면, TomoTransformer는 ViewTrans와 같은 동시대의 다목적 모델을 크게 능가하며, 입력 및 목표 투영 수에 완전히 구애받지 않으면서도 강력한 특정 프로토콜 전용 베이스라인과 대등하거나 이를 능가하는 성능을 보입니다. 나아가 이 모델은 X선 방사광 가속기에서 수집된 실제 실험 나노스케일 뇌 데이터에서 강력한 제로샷(zero-shot) 일반화를 입증하여 실제 응용 분야에서의 실용성을 보여줍니다.

arXiv:2610.01135v2cs.CV공통 태그 Medical Image Analysis, computed tomography ct

RSNA 뇌동맥류(RSNA-ICA) 데이터셋

The RSNA Intracranial Aneurysm (RSNA-ICA) Dataset

뇌동맥류 파열은 상당한 이환율 및 사망률과 관련이 있지만, 특히 작은 병변이거나 비혈관조영 일반 영상 검사에서는 동맥류 탐지가 여전히 까난한 과제로 남아 있습니다. 뇌동맥류 탐지 및 위치 식별을 위한 인공지능(AI) 알고리즘의 개발과 평가를 지원하고자 북미영상의학회(RSNA)는 미국신경영상의학회(ASNR), 신경중재수술학회(SNIS), 유럽신경영상의학회(ESNR)와의 협력을 통해 RSNA 뇌동맥류(RSNA-ICA) 데이터셋을 구축했습니다. 2025 RSNA 뇌동맥류 탐지 챌린지(RSNA Intracranial Aneurysm Detection Challenge)를 위해 개발된 RSNA-ICA는 5개 대륙 12개국 21개 기관에서 수집한 4,278명의 성인 환자로부터 얻은 7,202건의 CTA, MRA 및 MRI 시리즈로 구성된 대규모의 공개 전문가 주석 데이터셋입니다. 이 데이터셋은 낭상 뇌동맥류가 있거나 없는 환자들의 CTA 2,566건, MRA 2,166건, MRI 2,470건 시리즈를 포함하여 상당한 지리적 및 영상학적 다양성을 제공합니다. 전문가 주석에는 동맥류의 유무와 위치가 모두 표시되어 있으며, 178건의 시리즈에는 챌린지에서 정의한 혈관 위치에 대한 3차원 분할(segmentation)이 추가로 포함되어 있습니다. RSNA-ICA는 2025 RSNA 뇌동맥류 탐지 챌린지에서 알고리즘을 개발하고 평가하는 데 사용되었습니다. 7,202건의 영상 시리즈 중 5,041건은 MIRA를 통해 공개되어 있으며, 나머지는 챌린지의 공개 및 비공개 테스트 세트로 사용되었습니다. 이 데이터셋은 비상업적 용도에 한해 연구 커뮤니티에 무료로 제공되며, 혈관조영 검사와 일반 신경영상 검사 전반에서 AI 기반 동맥류 탐지를 발전시키기 위한 종합적인 리소스를 제공합니다.

arXiv:2610.02382v1cs.CV공통 태그 Medical Image Analysis, computed tomography ct

FactorSplat: 의료 볼륨 렌더링을 위한 외관 제어 가능한 가우시안 프록시

FactorSplat: Appearance-Controllable Gaussian Proxies for Medical Volume Rendering

전이 함수(TF)는 의료 볼륨 렌더링에서 색상과 가시성을 제어하지만, 이미지로 학습된 가우시안 프록시는 일반적으로 하나의 전이 함수만을 외관에 고정(bake)해 둡니다. 본 논문에서는 추론(inference) 시 영역별 강도-RGBA 곡선을 입력받는 씬별 N차원 가우시안 스플래팅(N-DGS) 프록시인 FactorSplat을 제시합니다. 로컬 룩업(lookup)은 제작된 색상 및 불투명도 변화를 적용하는 한편, 공유 함수형 인코더와 가우시안별 저순위 팩터는 잔여 외관 반응을 학습합니다. 기하학적 구조와 방향성 외관은 프리셋 전반에 걸쳐 공유되며, 가시성 제어 및 TF 인식 가지치기(pruning)를 통해 구조를 숨기거나 드러내는 기능을 유지합니다. 7개의 CT 및 MR 스캔에서 FactorSplat은 검증(validation), 보간, 미확인 조합, 분포 외(OOD) 편집 전반에 걸쳐 영역 인식 VEG 대비 평균 PSNR과 변경 영역 오차를 개선합니다. 이 네 가지 분할 전반에서 7개 스캔의 VEG 대비 평균 PSNR 향상은 1.10에서 1.52 dB에 이릅니다. 스캔당 하나의 체크포인트(checkpoint)로 재학습 없이 미확인 편집을 지원합니다. $1600^2$ 해상도에서 캐시된 고속 렌더러는 1.17 ms의 TF 전환과 함께 평균 524 FPS를 달성합니다. 프로젝트 페이지: https://gaozhongpai.github.io/FactorSplat/.

arXiv:2610.03224v1cs.CV공통 태그 Medical Image Analysis, computed tomography ct

확산 기반 의료 영상 합성에서 의미론적 정확성의 대리 지표로서의 불확실성

Uncertainty as a Proxy for Semantic Correctness in Diffusion-Based Medical Image Synthesis

확산 모델(Diffusion model)은 조영 증강 CT(CECT)를 비조영 CT(NCCT)로부터 합성할 수 있어 조영제 투여와 그에 따른 환경적 비용 및 환자 접근성 비용을 줄일 수 있다. 그러나 시각적으로 사실적인 이미지가 반드시 해부학적으로 정확한 것은 아니며, 생성 품질을 평가하는 데 사용되는 픽셀 강도 및 특징 공간 유사도 지표는 해부학적 정확성을 직접 측정하지 못한다. 본 연구에서는 확산 기반 의료 영상 합성에서 불확실성(uncertainty)이 의미론적 정확성(semantic correctness)의 대리 지표로 기능할 수 있는지 조사한다. 우리는 CECT 영상과 내강 분할(lumen segmentation)을 공동으로 생성하는 멀티태스크 확산 프레임워크인 AortaDiff를 활용하여 NCCT-to-CECT 합성을 연구한다. 분할 출력은 생성된 혈관 해부학에 대한 명시적 표현을 제공하여 분할 기반 오차를 생성 정확성의 정량적 척도로 사용할 수 있게 한다. 가중치(Ensemble, HyperDiff, BayesDiff), 아키텍처 섭동(MCDropout), 생성 확률성(RDS), 입력 섭동(TTA) 불확실성을 아우르는 6가지 방법을 픽셀, 영역, 이미지 수준에서 비교하고, 임상적으로 유의미한 분포 외(OOD) 케이스 탐지에 대해 평가한다. 불확실성은 세 가지 공간적 척도 모두에서 유의미한 정보를 제공하며, 분포 이동(distribution shift)이 존재하는 외부 다기관 데이터셋에서도 유효성을 유지하고 OOD 탐지를 지원함을 확인했다. 특히 6가지 방법 중 MCDropout이 두드러졌다. 모든 척도에서 선도적인 방법 중 하나로 평가받았으며, 외부 데이터셋에서도 우수한 일반화 성능을 보였고, 이미 드롭아웃으로 학습된 모든 모델에서 추론 시 바로 활성화할 수 있어 추가적인 학습 비용 없이 신뢰할 수 있는 불확실성을 제공한다. 불확실성은 심각한 실패 사례를 신뢰성 있게 감지하지만, 이미 고품질인 이미지들 사이에서는 구별력이 떨어진다. 이러한 발견은 불확실성이 NCCT-to-CECT 합성에서 품질 필터링, 신뢰성 평가 및 OOD 탐지를 위한 실용적이고 계산 효율적인 신호로 활용될 수 있음을 뒷받침한다.

arXiv:2610.00384v1eess.IV공통 태그 Medical Image Analysis, computed tomography ct

RIQE: 컴퓨터 단층촬영(CT)을 위한 NIQE 스타일 참조 모델

RIQE: a NIQE-style reference model for Computed Tomography

Natural Image Quality Evaluator(NIQE)는 원본(pristine) 이미지에 적합화된 모델과의 통계적 거리를 통해 이미지 점수를 매기며, 배포된 모델은 사진을 기반으로 적합화되어 있습니다. 본 연구에서는 공개 LDCT-and-Projection-data 컬렉션의 환자 158명으로부터 얻은 3,792개의 전선량(full-dose) 슬라이스에 적합화된 NIQE 스타일 모델인 Radiology Image Quality Evaluator(RIQE)를 명시된 강도 매핑, 모든 슬라이스의 매니페스트, 적합화를 재현하는 스크립트와 함께 공개합니다. 40명의 미참여(held-out) 환자를 대상으로 평가했을 때, RIQE는 투영 영역 노이즈 삽입으로 시뮬레이션된 저선량 재구성 영상을 흉부 쌍 240개 중 240개, 복부 쌍 240개 중 230개에서 동일한 슬라이스의 전선량 재구성 영상보다 더 나쁘게 평가했으며, 20% 더 많은 노이즈가 있는 이미지를 원본보다 97.5~100%의 경우에서 더 나쁘게 평가했습니다. 그러나 필터링된 이미지들 간의 선호도는 병변 신호를 따르지 않았습니다. 노이즈가 있는 복부 슬라이스에 4mm, +10 HU 병변을 삽입했을 때, RIQE는 최대 32 HU 잔차까지 모든 이미지에서 필터링되지 않은 이미지보다 양방향 필터링(bilateral filtering)을 선호했으나, 이때 병변의 정합 필터 신호는 29%만 남고 검출도 지수는 0.51에서 0.33으로 떨어집니다. 반면 동일한 32 HU 잔차에서 신호의 70%와 0.48의 검출도 지수를 유지하는 가우시안 평활화(Gaussian smoothing)는 전혀 선호하지 않았습니다. NIQE용으로 공개된 파라미터를 사용하여 사진에 적합화했을 때, 동일한 코드는 시뮬레이션된 모든 저선량 복부 이미지를 전선량 이미지보다 더 우수하다고 평가했습니다. RIQE는 열화된 이미지를 원본과 비교하여 순위를 매기는 데 적합하지만, 테스트된 조건 하에서 디노이저를 선택, 비교 또는 튜닝하기 위한 유일한 기준으로 사용되어서는 안 됩니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.