HAD-VLM 用扩散预测连续测量值，超声测量误差降低 21.4%-37.6%
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载连续测量与离散词元的错位
超声量化测量给出的目标是连续数值，而常见的视觉语言模型把答案拆成离散词元逐个生成，两者之间存在天然错位。这篇论文要解决的就是这一层不匹配：让同一个模型既能接受提示词驱动的任务指令，又能直接输出连续测量结果。作者提出的 HAD-VLM 采用混合自回归—扩散框架，在共享主干内把自回归的文本生成与连续测量预测放在一起。视觉侧通过视觉提示微调让视觉编码器适配超声图像，使编码器面向该类影像做调整，而不是沿用通用图像上的设定。
扩散过程预测五个分量
在数值输出环节，HAD-VLM 不依赖词元分类，而是用扩散过程预测一个五分量表示，其中包含卡尺端点坐标与测量长度。围绕这一输出，作者设计了后处理策略：把所提出的坐标—长度一致性机制与集成预测结合起来，对测量估计做进一步修正。这一组合的作用对象是端点与长度之间的对应关系，以及多次预测的汇总方式，目的是让最终给出的数值更贴近真实标注。
四类超声任务上的误差
评测在 EchoNet-LVH 上进行，覆盖四项超声心动图测量任务。HAD-VLM 在 IVSd、LVIDd、LVIDs、LVPWd 上的平均绝对误差分别为 1.36、2.77、3.05 和 1.16 毫米。与基于 Vicuna 的自回归基线相比，四项任务的误差均有下降；在全部四项任务上，它也优于经过微调的 Qwen3-VL 以及直接使用 MLP 回归的做法。除测量任务外，作者还在所评估的数据集上检查了医学问答表现，结果显示该能力得到保留，说明引入连续预测没有牺牲提示词条件下的问答能力。
跨到 X 射线椎体测量
为观察方法是否只适用于超声，作者补充了 X 射线椎体测量实验。在这一任务上，HAD-VLM 把平均绝对误差从 11.4 像素降到 6.7 像素。论文的结论是，把自回归语言生成与基于扩散的连续预测结合，可以在保持提示词驱动任务灵活性的同时改善定量医学图像测量；其意义在于为语言交互与具备解剖学依据的数值预测提供统一做法。对关注医学视觉语言模型的读者而言，这意味着数值输出环节可以不经过离散词元，而由扩散过程直接给出连续结果，并通过一致性约束与集成做后处理。
为什么值得看
医疗影像量化测量长期受困于离散 token 精度损失，该工作给出可复用的自回归+扩散混合范式与具体误差数据。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。